本研究提出了条件生成矩匹配网络 (CGMMN)，基于条件最大均值差距 (CMMD) 标准，学习给定一些输入变量的条件分布，学习采用随机梯度下降，梯度通过反向传播计算。我们在广泛的任务上评估了 CGMMN，包括预测建模、上下文生成和贝叶斯暗知识，这些任务通过学习相对较小的 CGMMN 学生网络从贝叶斯模型中提炼知识。结果表明，在所有任务中都具有竞争性的性能。

Jun, 2016

通过使用最大均值差异（MMD）作为批判家来研究生成对抗网络的训练和性能，我们澄清了最近的工作中提出的 GAN 损失函数中的偏差问题，并讨论了 MMD 批判家的内核选择问题，提出了改进的 GAN 收敛度量，核启动距离，并展示如何在 GAN 训练期间使用它动态调整学习速率。

Jan, 2018

本文研究使用多层感知器、最大均值差异等统计假设检验技术来训练生成对抗网络，并与自编码器网络相结合，以产生比基准方法更优秀的 MNIST 和 Toronto Face Database 的生成模型。

Feb, 2015

通过最大均值差异的无偏估计作为双样本检验统计量，将深度神经网络视为生成器网络，将学习过程看做最小化二元检验统计量，通过实证比较及理论边界分析，探究了生成对抗网络框架及无参数核双样本检验框架的异同。

May, 2015

本研究提出了一种基于最大均值差异（MMD）的统计检验来最大化两个概率分布样本的表示和区分度的优化方法，并将其应用于生成对抗网络（GAN）的无监督学习设置中，在其中，MMD 可以用作两种角色：一是直接对样本或样本特征作为鉴别器使用，二是通过将模型样本与参考数据集比较来评估生成模型的性能。

Nov, 2016

本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

Jun, 2018

提出了一种新的训练深度生成模型的方法 ——Generative ratio matching (GRAM)，通过使用固定核函数而非生成器和评价器网络在鞍点优化方面的博弈来训练生成模型。结果表明，GRAM 网络不仅像 MMD-net 那样稳定易训练，而且在生成质量上也能与经过对抗训练的生成网络相媲美甚至超越。

May, 2018

我们提出了一种均匀集中不等式，用于一类基于最大均值差异（MMD）的估计器的理论分析，特别是在生成模型中的应用。我们将该结果应用于最小 MMD 估计器和 MMD GAN 的泛化误差界的推导

May, 2024

本文提出了一种基于 MMD 核的 GAN 模型正则化的梯度的原则性方法，证明控制批评者的梯度对于有意义的损失函数至关重要，并设计了一种方法来实施精确、分析梯度约束，使得新的损失函数具有连续性，并证明实验表明它可以稳定和加速训练，为 160 x 160 的 CelebA 数据集和 64 x 64 的无条件 ImageNet 数据集上的图像生成模型提供了优于现有方法的性能。

May, 2018

该研究针对 GAN 使用 MMD 作为损失函数进行了改进，提出了具有排斥作用的损失函数和一种边界高斯核，用于稳定 MMD-GAN 的训练，实验结果表明该方法在无监督图像生成任务上表现良好，取得了 16.21 的 FID 分数。

Dec, 2018