Semi-supervised Generative Adversarial Network
U običnom GAN-u diskriminator samo odgovara 'stvarno ili lažno?'. SGAN ponovno koristi taj diskriminator: on sada izlazuje K+1 klasu, gdje prva K odgovaraju stvarnim kategorijama od interesa (pas, mačka, itd.), a posljednja klasa predstavlja generirane uzorke. Čineći oba zadatka odjednom, označeni primjeri vode klasifikator, dok mnogo veći skup neoznačenih stvarnih podataka i sintetički uzorci generatora sprječavaju prekomjerno prilagođavanje malom označenom skupu. Rezultat je klasifikator koji konkurira potpuno nadzorovanim modelima obučenim na mnogo više oznaka.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Salimans, T., Goodfellow, I., Zaremba, W., Cheung, V., Radford, A., & Chen, X. (2016). Improved Techniques for Training GANs. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Odena, A. (2016). Semi-Supervised Learning with Generative Adversarial Networks. ICML Workshop on Generative Adversarial Networks. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Generative Adversarial Network. ScholarGate. https://scholargate.app/hr/deep-learning/semi-supervised-gan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Generativna suparnička mrežaDuboko učenje↔ compare
- Samonadzirani GANDuboko učenje↔ compare
- Polu-nadzirana klasifikacija temeljena na BERT-uDuboko učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
- Varijacijski autoenkoderDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →