Linking generative semi-supervised learning and generative open-set recognition

要約

本研究では、Generative Adversarial Network（GAN）の文脈で、半教師付き学習（SSL）とオープンセット認識（OSR）の関係を調査しています。SSLとOSRを正式に結びつけた先行研究はないが、それぞれの手法には顕著な類似性がある。具体的には、SSL-GANとOSR-GANは、生成者が相補空間のサンプルを生成することを要求します。その後、生成されたサンプルでネットワークを正則化することで、SSLとOSRの分類器はともにオープンスペースを一般化する。SSLとOSRの関連性を示すために、最先端のSSL-GAN手法と最先端のOSR-GAN手法を理論的および実験的に比較した。その結果、SSLに最適化されたマージンGANは、SSLとOSRを組み合わせたタスクの新しい標準となり、特定の一般的なOSR実験において新たな最先端結果を達成することがわかった。しかし、OSRに最適化された敵対的相互点（ARP）-GANは、他のOSR実験では依然としてmargin-GANをわずかに上回った。この結果は、SSLとOSRを組み合わせた最適化タスクに対する独自の洞察を示しています。

要約(オリジナル)

This study investigates the relationship between semi-supervised learning (SSL) and open-set recognition (OSR) in the context of generative adversarial networks (GANs). Although no previous study has formally linked SSL and OSR, their respective methods share striking similarities. Specifically, SSL-GANs and OSR-GANs require their generators to produce samples in the complementary space. Subsequently, by regularising networks with generated samples, both SSL and OSR classifiers generalize the open space. To demonstrate the connection between SSL and OSR, we theoretically and experimentally compare state-of-the-art SSL-GAN methods with state-of-the-art OSR-GAN methods. Our results indicate that the SSL optimised margin-GANs, which have a stronger foundation in literature, set the new standard for the combined SSL-OSR task and achieves new state-of-other art results in certain general OSR experiments. However, the OSR optimised adversarial reciprocal point (ARP)-GANs still slightly out-performed margin-GANs at other OSR experiments. This result indicates unique insights for the combined optimisation task of SSL-OSR.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL