심층 신경망은 감독 학습을 위해 대량의 데이터가 필요하지만, 실제 응용에서는 대량의 라벨 데이터 확보가 어려운 경우가 많다. 반지도 학습은 심층 네트워크의 라벨 데이터 의존도를 줄일 수 있으며, 반지도 학습 기반 생성적 적대 신경망은 분류 성능을 향상시킬 수 있지만 아직도 학습 불안정성 문제가 존재한다. 본 논문은 분류 정확도 향상 및 학습 불안정성 문제 해결을 위해 두 판별기의 공동 학습을 통해 단일 판별기의 분포 오류를 제거하고, 라벨이 없는 데이터 중 신뢰도가 높은 샘플을 선택하여 라벨 데이터셋을 확장함으로써 반지도 분류 정확도 및 네트워크 모델의 일반화 능력을 향상시키는 공동 학습 기반 반지도 생성적 적대 신경망 분류 방법을 제안한다. CIFAR-10과 SVHN 데이터셋에서의 실험 결과, 본 방법은 다양한 라벨 데이터 수에서 더 나은 분류 정확도를 달성함을 보여준다. 라벨 수가 2,000개일 때 CIFAR-10 데이터셋에서 분류 정확도는 80.36%에 달하며, 라벨 수가 10개일 때 기존 반지도 방법 대비 약 5%의 분류 정확도 향상을 보였다. 이는 GAN 네트워크의 소량 샘플 조건에서 과적합 문제를 어느 정도 해결하였다.

생성적 적대 신경망;반지도 학습;영상 분류;심층 학습