基于W距离自编码器半监督生成模型  

Semi-supervised generation model of autoencoder with Wasserstein distance

作　　者：王江晴[1,2] 何开杰 孙翀[1,2] 帖军[1,2] 尹帆[1,2] WANG Jiang-qing;HE Kai-jie;SUN Chong;TIE Jun;YIN Fan(College of Computer Science,South-Central University for Nationalities,Wuhan 430074,China;Hubei Provincial Engineering Research Center for Intelligent Management of Manufacturing Enterprises,South-Central University for Nationalities,Wuhan 430074,China)

机构地区：[1]中南民族大学计算机科学学院,湖北武汉430074 [2]中南民族大学湖北省制造企业智能管理工程技术研究中心,湖北武汉430074

出　　处：《计算机工程与设计》2022年第4期1002-1007,共6页Computer Engineering and Design

基　　金：教育部科技发展中心高校产学研创新基金-“青苔数智融合”协同创新基金项目(2020QT08);湖北省技术创新专项重大基金项目(2019ABA101);湖北省科技重大专项基金项目(2020AEA011);武汉市科技计划应用基础前沿基金项目(2020020601012267);中南民族大学研究生创新基金项目(3212021sycxjj148)。

摘　　要：针对现有的半监督深度分类模型未能很好学习到逼近总体数据分布的问题,提出一种基于Wasserstein自编码器深度生成模型改进的半监督深度分类算法WCVAE。在设置优化目标时考虑样本集全体示例的边际分布和有标签样本的条件分布,利用Wasserstein距离对模型拟合分布与真实数据分布之间的距离进行度量,学习到更加复杂的高维分布,使分类器学习到原数据的总体分布。实验结果表明,WCVAE在经典数据集上相较于现有方法,具有更好的质量。To deal with the problem of insufficient learning ability of semi-supervised deep classification model for learning distribution of the total data,a semi-supervised deep classification algorithm,conditional variational auto-encoder based on Wasserstein autoencoder(WCVAE)was proposed.To learn the complex high dimensional distribution,the optimization objective of this method not only considered margin distribution of total samples of set,but labeled sample,and Wasserstein distance was used to measure the distance between distribution of model and distribution of real data.Experimental results show that WCAVE model is superior to the existing semi-supervised deep classification model on classic datasets.

关 键 词：半监督学习 自编码器 深度生成模型 分类机器学习 Wasserstein距离 

分 类 号：TP305[自动化与计算机技术—计算机系统结构]