利用条件生成对抗网络来解决回归问题，通过学习预测函数的输出与输入的配对在训练数据集中无法与特征 - 标签对区分的方式，提出了一种对回归问题的新方法，相比传统回归方法，该方法在拟合数据的分布上做出了更少的假设，具备更好的表示能力，并与统计学中的广义线性模型进行了类比，展示了如何将其扩展到神经网络，通过在多个合成和公开实际数据集上的实验证明了这种新方法优于标准回归的优势，尤其是在实际的重尾回归数据集中，为了使我们的工作更具可重复性，我们发布了源代码。

Apr, 2024

生成对抗网络（GAN）已经成为一种生成高保真数据的强大工具，并且采用监督方法提出了 Monte Carlo GAN（MCGAN）算法，以解决现有方法在生成器训练上缺乏监督导致的振荡与性能不佳的问题，并且数值结果表明 MCGAN 在质量、准确性、训练稳定性和学习潜在空间等方面明显且一致地改进了现有的 GAN 模型。

May, 2024

本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

Jun, 2016

通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

May, 2016

本文比较了基于生成对抗网络的半监督学习方法中的 Bad GAN 和 Triple GAN 两种方法在不同基准数据集上的表现，并展示它们在图像生成和标记数据量敏感度方面的不同特性，以期为基于 GAN 的半监督学习的未来提供参考。

May, 2019

将生成对抗网络扩展到半监督学习中，强制鉴别器网络输出类标签，能够创建更具数据效率的分类器以及比正常 GAN 生成更高质量的样本。

Jun, 2016

研究使用生成式对抗网络来帮助半监督图学习，提出 GraphSGAN 方法，在该方法中，生成器和分类器网络进行竞争性博弈，生成器通过在子图之间的低密度区域生成假样本来平衡，分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明，GraphSGAN 显著优于几种现有方法。

Sep, 2018

本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

Mar, 2017

该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

Nov, 2017

提出了一种新的半监督生成对抗网络模型 (SS-GAN)，通过适应 GAN 框架，使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布，特别针对半监督学习，通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布，实验证明该模型相较于已有的半监督条件 GAN 模型具有更好的性能。

Aug, 2017