本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

Oct, 2016

提出了一种名为 Graphical Generative Adversarial Networks（Graphical-GAN）的模型，结合了贝叶斯网络和生成性对抗网络的能力来建模结构化数据。引入了一个结构化的识别模型来推断给定观测值的潜在变量的后验分布，并将期望传播（EP）算法广义化，以同时学习生成模型和识别模型。最后，提出了两个 Graphical-GAN 的重要实例，即高斯混合 GAN（GMGAN）和状态空间 GAN（SSGAN），可分别成功学习视觉数据集的离散和时间结构。

Apr, 2018

通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

May, 2016

该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

Jan, 2019

本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

May, 2017

本文综述了现有算法之间的联系，包括广泛使用的变分自编码器、以对抗方式学习的推断、运算符变分推断、基于生成式对抗网络的图像重建等，提出了新的算法框架，并基于密度比估计或去噪等方法展示了实际的推断算法。

Feb, 2017

通过将 self-supervised feedback 引入到 GANs 的训练中，匹配多个随机变量元组的联合分布，以获得超出现有方法的更高应用性。

Jun, 2020

本文对生成对抗网络（GAN）进行了分析，特别是统计推理这一过程的理论特征，提出了一种简单形式的 GAN，称为受限 f-GANs，发现线性 KL-GANs 的最优生成器所推断出的分布是最大似然与矩法解的有趣组合。

Sep, 2018

本文提出了一种新的基于随机化决策规则的 GAN 公式，其中鉴别者收敛于一个固定点，而生成器则收敛于 Nash 均衡下的分布，通过随机梯度 Markov 链蒙特卡罗算法以及相应的模拟方法，得到了一种有效的支撑算法。

Jun, 2023

本文提出了一种对抗训练程序，用于学习给定因果图的因果隐式生成模型，探讨了生成模型、条件生成对抗网络及其应用，并证明实验结果能生成真实的观察和干预分布。

Sep, 2017