基于GAN的半监督学习在ARABIC方言识别的应用

In this study, a novel i-vector representation which is based on unsupervised bottleneck features is examined as the feature to identify dialects from Arabic broadcast speech. To utilize the unlabeled training data, semi-supervised learning with generative adversarial networks (GANs) are incorporated in the back-end classifier development.

结构：UBNF/i-vector+GANs

1. 半监督GAN判别：Improved Techniques for Training GANs

链接：https://arxiv.org/abs/1606.03498
code: https://github.com/openai/improved-gan

提出了对于GANs新的结构和训练过程。主要focus在两个应用：半监督学习和更好的图像产生。
除了在半监督学习中实现最先进的结果之外，上述方法还具有改善由人类注释者判断的所生成图像的质量的惊人效果。原因似乎是人类视觉系统非常适合图像统计，这可以帮助推断图像所代表的对象类别，而对于对图像解释不太重要的局部统计数据可能不那么敏感。我们在人类注释器报告的质量与我们在第4节中开发的初始得分之间发现了高度相关性，这得到了明确构建以测量生成图像的“客观性”。通过使鉴别器D对图像中所示的对象进行分类，我们将其偏向于开发内部表示，其强调人类强调的相同特征。该效果可以被理解为用于转移学习的方法，并且可以更广泛地应用。我们将进一步探索这种可能性以用于未来的工作。