用分布分类任务发现分类器对图像的识别以边缘和高频成分为主，与人类呈现截然不同的观察结果。

May, 2024

本篇研究提出了一种神经网络模型，该模型能够同时表达 aleatoric 和 epistemic 不确定性，区分特征空间的决策边界和 “out-of-distribution” 区域。在训练过程中，通过集成变分自编码器和生成对抗网络的方法生成了 “out-of-distribution” 样本。通过在多个数据集上进行实验，表明该方法提供了更好的不确定性估计，并且在识别对抗样本时表现出优异的表现。

Jun, 2020

本篇研究提出一种基于离群值检测的方法，使用一起被训练出的合成离群值。该方法可以同时用于语义分割和密度离群值检测，取得了与现有最先进模型相竞争的表现。

Nov, 2020

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

该论文研究了生成模型的视觉泛移能力，发现虽然目前的生成对抗网络（GAN）可以很好地拟合标准数据集，但它们仍然没有成为视觉流形的全面模型。同时，研究者还发现这些模型反映了训练数据集的偏差，并提出了一些缓解问题的技术。

Jul, 2019

深度生成模型的密度估计已被证明是最先进的，但最近的研究发现，它们通常会分配更高的似然性给训练分布之外的数据，此行为是由于偏差所致，本文通过分层变分自编码器提供了证据来解释这种行为，我们认为这是预期和期望的行为，掌握这一洞见后，我们设计了一种快速、可扩展且完全无监督的似然比分数用于 ODD 检测，并在大量数据和模型组合上进行了基准测试，获得了最佳实验结果。

Feb, 2021

通过深度生成建模，我们将图像生成过程分解成独立的因果机制，从而产生反事实图像，提高了模型的新颖性和可解释性。在 MNIST 和 ImageNet 上的实验表明，这些反事实图像能够提高模型的抗干扰性，而且这个模型能在单 GPU 上高效训练。

Jan, 2021

本文提出了一种新的评估单次生成模型的框架，用于比较其与人类生成的差异，确定其代表人体模型的模型以及模型参数。该框架通过对样本可识别性和样本多样性（即类内差异）两个方面进行评估，并对代表性单次生成模型在 Omniglot 手写数据集上进行了详细地分析。研究表明，GAN 型和 VAE 型模型的多样性和可识别性具有互补性，同时，空间注意和上下文整合在多样性和可识别性之间具有线性贡献，而解缠效应则能沿着拱形曲线传递模型，从而最大化可识别性。评估结果可用于推动人工智能技术的发展。

May, 2022

本文介绍了一种名叫 HyperGAN 的生成模型，用于学习神经网络参数的分布，并使用它生成包含有效参数的深度神经网络。HyperGAN 可以用于大规模和多样化的生成，可以用于标记 MNIST 和 CIFAR-10 数据集，能提供比标准集合更好的不确定性评估。

Jan, 2019

对现代生成对抗网络（GANs）的研究表明，其学习到的流形不符合训练分布，而且对超出分布的图片赋予更高密度，学到的潜在编码的先验与训练分布相去甚远，所用于训练 GANs 的图像集合通常不符合 GANs 的分布描述。

Feb, 2024