本文研究了生成对抗网络（GAN）如何从有限样本中学习概率分布，得到了 GAN 在一组 H"older 类定义的积分概率度量下的收敛速度和 Wasserstein 距离特殊情况下的学习率，并证明了当网络结构适当选择时，GAN 能够自适应地学习低维结构或具有 H"older 密度的数据分布。特别是对于集中在低维集合周围的分布，我们展示了 GAN 的学习速率不取决于高环境维度，而取决于较低的内在维度。我们的分析基于一种新的神谕不等式，将估计误差分解为生成器和鉴别器逼近误差和统计误差，这可能是具有独立研究价值的。

May, 2021

本文研究了属于生成对抗网络框架下学习密度函数的收敛速度，通过借鉴非参数统计学中的思路引入了一种改进型生成对抗网络估算器，同时利用目标密度的光顺程度和度量结果，实现更快速的学习速率，并理论上解决了文献中报道的模式崩溃问题。作者还构建了最小极大下界来证明，在维数较大的情况下，新生成对抗网络估算器的速率指数是接近最优的。因此我们的结果可以以量化的方式回答生成对抗网络在多种光滑程度具有不同密度下的学习效果，并从中获得了更好的泛化界限。

Dec, 2017

本文研究了一类大型损失函数下的非参数密度估计的极小极大收敛速率，并探讨了生成对抗网络中鉴别器网络编码的损失与其它损失函数之间的密切关系，以及选择损失和底层概率密度的光滑性如何共同确定防御策略。同时还讨论了我们的结果对于基于 Deep ReLU 网络的 GAN 训练的影响，以及最小极大统计意义下学习隐式生成模型的相关联系。

May, 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

尽管生成对抗网络（GANs）在实证方面取得了显著的成功，但其统计准确性的理论保证仍然相对悲观。本论文试图在理论和 GANs 以及双向 GANs（BiGANs）的实践之间架起桥梁，通过推导出关于估计密度的统计保证，以数据的固有维度和潜在空间为基础。

Jan, 2024

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

本篇论文提出了一种基于随机投影的生成模型，该模型较传统的 GAN 模型更加稳定和精确，采用的 Wasserstein 距离作为度量计算生成样本的真实性，可以得到更准确的生成结果。

Mar, 2018

通过样本分布和经验代理之间的平滑 JSD 差异，提出了一种新的训练目标，基于核的 GAN，旨在克服 GAN 的训练困难，提高其实际效果。

May, 2017

通过提出一种新的正则化方法，我们克服了 GAN 模型分布和数据分布之间维度不匹配的局限性，并证明了该正则化方法在多种常见图像生成任务中的有效性。

May, 2017