Semi-Supervised Learning with Generative Adversarial Networks
引言：本文将产生式对抗网络（GAN）拓展到半监督学习，通过强制判别器来输出类别标签。我们在一个数据集上训练一个产生式模型 G 以及 一个判别器 D，输入是N类当中的一个。在训练的时候，D被用于预测输入是属于 N+1的哪一个，这个+1是对应了G的输出。这种方法可以用于创造更加有效的分类器，并且可以比普通的GAN 产生更加高质量的样本。
将产生式模型应用于半监督学习并非一个新颖的idea，Kingma et al. 在NIPS 2014 就已经探索过此类方法。此处，我们尝试着去做一些和GANs类似的事情，通过D学习到的feature可以在分类器中重复利用。这个表明了学习到的表示的有用性，但是其有几种不需要的属性：
1. 首先，通过D学到的表示可以帮助改进C并不奇怪---看起来这个很合理，并且应该是work的。然而，看起来学习好的C可以帮助改善D的性能。
2. 利用 D 学习到的表示不能同时训练 C 和 G。
本文的motivation就是：如果通过改善 Ｄ可以改善C，并且改善 C 可以改进 D（which we know improves G）然后我们可以结合一些反馈循环的优势，所有的3个成分都可以相互迭代的相互促进相互学习。
受到上述原因的启发，本文的贡献点主要有:
首先，提出将GANs进行拓展，允许其同时学习一个产生式模型和一个分类器。称为：Semi-Supervised GAN, or SGAN.
第二，表明了 SGAN改善了分类性能。
第三，表明 SGAN 可以明显的改善产生样本的质量 和 减少训练时间。
The SGAN Model ：
判别器网络 D 在常规的 GAN 输出一个预测概率，表明输入图像是从数据产生器得来的概率。 通常是通过前向反馈网络，后面跟着一个 single sigmoid unit, 但是也可以用一个 softmax output layer with one unit for each of the classes [real, fake]. 一旦这个改进完成，就可以看出，D 会有 N+1 个输出单元，分别对应【class-1, class-2, class-N, fake】。在这种情况下，D 就扮演了 C 的角色，我们称之为 D/C。
网络的训练主要还是 Min-Max 的过程：
我的感受：
这个文章左下角有标注：To appear in the Data Efficient Machine Learning workshop at ICML 2016. 篇幅较短，主要是考虑了将 GANs 应用于半监督图像分类的思路。
考虑了三个成分：产生器 Ｇ，判别器 D，分类器 C 。
从上图中产生的图像来看，效果还是不错的，分类的精度也有提升。
看来这种相互促进的网络设计方法，值得我们参考和借鉴。
无网络，不对抗！！！