Полу-надгледани ГАН
Полу-надгледани ГАН (SGAN) проширује стандардни ГАН дискриминатор да истовремено класификује означене примере у K реалних класа и детектује генерисане фалсификате као (K+1)-ту класу, дозвољавајући да се синтетички подаци генератора користе као имплицитна регуларизација и омогућавајући обуку јаких класификатора са веома мало означених примера.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
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/sr/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
- GAN sa samonadzoromDuboko učenje↔ compare
- Polu-nadgledana BERT-bazirana klasifikacijaDuboko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Varijacioni autoenkoderDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →