GAN是否受到无人监督或监督？

Question

GAN是否受到无人监督或监督？

scr*_*mau 16 classification machine-learning neural-network

我从一些消息来源获悉,Generative对抗性网络是无人监督的ML,但我没有得到它.生成对抗网络实际上并未受到监督吗？

1)2级案例真实反对假

实际上,必须向鉴别器提供训练数据,这必须是"真实的"数据,这意味着我将用fe 1标记的数据.即使一个人没有明确地标记数据,也可以通过在第一个中提供鉴别器来隐含地这样做.训练数据的步骤,您告诉鉴别器是真实的.通过这种方式,您可以以某种方式告诉鉴别器标记训练数据.相反,在发电机的第一级产生的噪声数据的标记,发电机知道该信号是不真实的.

2)多级案例

但在多类案件中它真的很奇怪.必须提供训练数据中的描述.显而易见的矛盾是,人们对无监督的ML算法提供了响应.

Answer 1

Raf*_*ard 25

GAN是无监督学习算法,其使用监督损失作为训练的一部分.后来似乎是你被挂起的地方.

当我们谈论有监督的学习时,我们通常谈论学习预测与数据相关的标签.该目标是模型推广到新的数据.

在GAN案例中,您没有这些组件.数据没有标签,我们也没有尝试将任何类型的预测推广到新数据.该目标是为甘模型的数据是什么样子(即密度估计),并能够产生所了解到的新的例子.

GAN设置监督学习问题以进行无监督学习,生成伪造/随机查看数据,并尝试确定样本是否生成假数据或真实数据.这是一个受监督的组成部分,是的.但这不是GAN 的目标,标签也是微不足道的.

将监督组件用于无人监督任务的想法并不是特别新颖.随机森林已经做了很长时间的离群检测(也训练了随机数据与实际数据),并且用于离群检测的单类SVM在技术上以监督方式训练,原始数据是真实的类和单点在空间的原点(即零向量)处理为异常类.

因此，GAN 既有监督步骤，也有无监督步骤。说 GAN 是无监督的是错误的。 (5认同)
因为人们普遍认为 GAN 是无监督的。原始论文通过解释如何使用 GAN 来学习未标记数据的特征表示，从而将 GAN 用于半监督学习，从而直接暗示了这一点。如果我们使用你的逻辑，自动编码器和 PCA 也会受到监督，因为它们使用监督损失，即使它只是为了预测输入。我已经用多种不同的方式解释了监督与无监督是数据附带的标签的函数，而不是学习机制的函数。我将在此时停止这次谈话。 (3认同)
正如我在回答中详述的那样，GAN 确实有一个受监督的组件。但是，数据是未标记和未分类的。这是使其成为无监督算法的关键，不需要标记或向 GAN 算法提供标记。如果我们将任何具有监督算法中通常使用的组件的算法称为监督算法，那么根据该定义，几乎没有“无监督”算法。它取决于数据需要附带哪些信息（即以标签形式进行监督），而不是机械师如何操作。 (2认同)

归档时间：	8 年，8 月前
查看次数：	7077 次
最近记录：	8 年，8 月前