本文从数学角度提供了生成式对抗网络（GAN）的概述，以更习惯数学语言的学生为目标，介绍了 GAN 的数学基础、应用及技术发展。

Sep, 2020

本文综述了生成模型的最新应用 —— 生成对抗网络（GAN）及其在计算机视觉和机器学习领域的实际应用，讨论了 GAN 训练中的困难和障碍，并调查了不同研究者提出的训练方案，以求实现 GAN 的稳定训练，最后探讨了与该主题相关的新问题和研究方向。

Jun, 2020

本文旨在为数学家提供适用的 GANs 理论解释，概述 GANs 的训练问题和拓扑学和博弈论视角如何贡献于我们理解和实践 GANs 的技术的正面和反面结果。

Jun, 2018

本研究提出了一种名为 Chekhov GAN 1 的训练方法，将 GAN 的训练问题视为在零和博弈中找到一种混合策略，结合在线学习的思想，理论和实践证明了该方法收敛于半浅 GAN 体系结构，提高了稳定性和性能。

Jun, 2017

本篇论文介绍了最近使用生成对抗网络进行文本生成的研究和进展，并对基于对抗学习的文本生成的三种可能选择（即 Gumbel-Softmax 分化，强化学习和修改训练目标）进行了综述。

Dec, 2022

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

本文综述了文献中可找到的 GAN 训练稳定方法，讨论了每种方法的优缺点并进行比较总结，最后提出了未解决问题的讨论。

Sep, 2019

本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

Feb, 2019

本文提出了一种不依赖于传统极小 - 极大公式的生成式对抗方法理论，并展示了当存在强的辨别器时，通过每个功能性梯度步骤，可以学到一个好的生成器，使得真实数据和生成数据的分布的 KL 散度改善，直到收敛于零，并基于该理论，提出了一种新的稳定的生成式对抗方法，同时提供了从这个新的视角对原始 GAN 的理论洞见，最终，针对图像生成的实验展示了我们的新方法的有效性。

Jan, 2018

本文从算法、理论和应用三个方面综述了各种生成对抗网络（GANs）算法的动机、数学表示和结构特点，比较了不同 GANs 方法的共同性和差异，探讨了 GANs 相关的理论问题以及在图像处理、自然语言处理、医疗领域、数据科学等领域的应用，并指出了未来 GANs 的开放性研究问题。

Jan, 2020