深層ニューラルネットワークは教師あり学習のために大量のデータを必要としますが、実際の応用では大量のラベル付きデータを取得することが困難な場合が多いです。半教師あり学習は深層ネットワークのラベルデータ依存を減らすことができ、半教師あり学習に基づく生成対抗ネットワークは分類性能を向上させることができますが、依然として訓練の不安定さの問題があります。本稿では、分類精度をさらに高め、ネットワーク訓練の不安定さの問題を解決するために、2つの識別器の共同訓練により単一の識別器の分布誤差を除去し、ラベルなしデータのうち信頼度の高いサンプルを選択してラベル付きデータセットを拡張し、半教師あり分類精度とネットワークモデルの一般化能力を向上させる共同訓練生成対抗ネットワークに基づく半教師あり分類手法を提案する。CIFAR-10およびSVHNデータセットでの実験結果は、本手法が異なる数のラベルデータにおいて優れた分類精度を獲得したことを示している。ラベル数が2,000の時、CIFAR-10データセットでの分類精度は80.36％に達し、ラベル数が10の時には既存の半教師あり手法と比較して約5％の分類精度向上を示した。本手法はある程度、少量サンプル条件下でのGANネットワークの過学習問題を解決した。

生成対抗ネットワーク;半教師あり学習;画像分類;深層学習