本文提出了一种用于移动电商下的产品标题生成算法 MM-GAN，该算法从原始长标题中提取文本信息、产品的图像信息和属性标签等多模态信息，并将短标题生成视为一个强化学习过程。在进行模型训练和评估时，以类人的视角评估生成的标题，该算法在大规模电商数据集上的实验证明，与其他方法相比，本算法表现更优，应用于真实世界的电商平台后，点击率和点击转化率均有明显提高。

Apr, 2019

本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。

Mar, 2018

本文提出利用生成对抗网络（GAN）为新手用户设计真实世界形状，使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型，同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。

Jun, 2017

本文主要讨论生成对抗网络的应用和基本操作，介绍了 GAN 如何学习高维度、复杂的真实数据分布，并不需要假设分布，同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。

Nov, 2017

本文提出了一个框架，探索将生成对抗网络应用于连续实验室时间序列数据的价值，提出一种无监督的评估方法来测量合成实验室测试时间序列的预测能力，并证明在训练 GAN 模型之前，将训练集的表示学习纳入考虑是有益的，尤其是在预测药物作用于实验室测试数据方面。

Dec, 2017

本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

May, 2017

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

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