我从一些来源听说生成对抗网络是无监督的 ML,但我不明白。
1)2 类案件真假
实际上,必须向鉴别器提供训练数据,并且这必须是“真实”数据,这意味着我将用 f.e.1 标记的数据。即使没有明确地标记数据,也可以通过在第一步中向鉴别器提供训练数据来隐式地这样做,您告诉鉴别器是真实的。这样,您可以以某种方式告诉鉴别器训练数据的标签。相反,噪声生成器的第一个步骤是在
2) 多类案例
但是在多类别的情况下,它变得非常奇怪。一个人必须在训练数据中提供描述。明显的矛盾是,一个人提供了对无监督 ML 算法的响应。
53
GAN 是无监督学习算法,使用监督损失作为训练的一部分。
当我们谈论监督学习时,我们通常谈论的是学习与数据关联的标签。目标是使模型泛化到新数据。
目标是让 GAN 对数据的外观进行建模 (即密度估计),并能够生成其已学习内容的新示例。
GAN 设置了一个监督学习问题,以便进行无监督学习,生成虚假 / 随机数据,并尝试确定样本是生成的虚假数据还是真实数据。这是一个监督组件,是的。但这不是 GAN 的目标,标签是微不足道的。
将监督组件用于无监督任务的想法并不是特别新。Random Forests 长期以来一直在进行离群值检测(也是在随机数据与真实数据上训练的),并且用于离群值检测的 One-Class SVM 是以监督方式进行技术训练的,原始数据是真实类,并且在空间的原点(即零向量)被视为异常类。
-11
没有。粗略地说,层次结构如下所示:
machine learning methodology
+
|
|
v
+-----------------------------------------------+
| | |
| | |
v v v
supervised unsupervised reinforcement
本站系公益性非盈利分享网址,本文来自用户投稿,不代表码文网立场,如若转载,请注明出处
评论列表(86条)