Semi-Supervised Learning with Generative Adversarial Networks
引言：本文將產生式對抗網絡（GAN）拓展到半監督學習，通過強制判別器來輸出類別標簽。我們在一個數據集上訓練一個產生式模型 G 以及 一個判別器 D，輸入是N類當中的一個。在訓練的時候，D被用於預測輸入是屬於 N+1的哪一個，這個+1是對應了G的輸出。這種方法可以用於創造更加有效的分類器，並且可以比普通的GAN 產生更加高質量的樣本。
將產生式模型應用於半監督學習並非一個新穎的idea，Kingma et al. 在NIPS 2014 就已經探索過此類方法。此處，我們嘗試着去做一些和GANs類似的事情，通過D學習到的feature可以在分類器中重復利用。這個表明了學習到的表示的有用性，但是其有幾種不需要的屬性：
1. 首先，通過D學到的表示可以幫助改進C並不奇怪---看起來這個很合理，並且應該是work的。然而，看起來學習好的C可以幫助改善D的性能。
2. 利用 D 學習到的表示不能同時訓練 C 和 G。
本文的motivation就是：如果通過改善 Ｄ可以改善C，並且改善 C 可以改進 D（which we know improves G）然后我們可以結合一些反饋循環的優勢，所有的3個成分都可以相互迭代的相互促進相互學習。
受到上述原因的啟發，本文的貢獻點主要有:
首先，提出將GANs進行拓展，允許其同時學習一個產生式模型和一個分類器。稱為：Semi-Supervised GAN, or SGAN.
第二，表明了 SGAN改善了分類性能。
第三，表明 SGAN 可以明顯的改善產生樣本的質量 和 減少訓練時間。
The SGAN Model ：
判別器網絡 D 在常規的 GAN 輸出一個預測概率，表明輸入圖像是從數據產生器得來的概率。 通常是通過前向反饋網絡，后面跟着一個 single sigmoid unit, 但是也可以用一個 softmax output layer with one unit for each of the classes [real, fake]. 一旦這個改進完成，就可以看出，D 會有 N+1 個輸出單元，分別對應【class-1, class-2, class-N, fake】。在這種情況下，D 就扮演了 C 的角色，我們稱之為 D/C。
網絡的訓練主要還是 Min-Max 的過程：
我的感受：
這個文章左下角有標注：To appear in the Data Efficient Machine Learning workshop at ICML 2016. 篇幅較短，主要是考慮了將 GANs 應用於半監督圖像分類的思路。
考慮了三個成分：產生器 Ｇ，判別器 D，分類器 C 。
從上圖中產生的圖像來看，效果還是不錯的，分類的精度也有提升。
看來這種相互促進的網絡設計方法，值得我們參考和借鑒。
無網絡，不對抗！！！
