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

本文分析并强调 GAN 模型的公平性问题，提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案，避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。

Mar, 2021

本文从数学角度提供了生成式对抗网络（GAN）的概述，以更习惯数学语言的学生为目标，介绍了 GAN 的数学基础、应用及技术发展。

Sep, 2020

本文通过分析数学和统计学特性，研究生成式对抗网络与 Jensen-Shannon 散度的深刻联系，并提供鉴别器族群的逼近论证及样本估计分布的大样本性质，特别地证明了中心极限定理。

Mar, 2018

本文研究了生成对抗网络在高维高斯数据下的建模、鲁棒性以及泛化能力，并提出了一种能快速推广、拥有全局稳定性的 GAN 结构模型，最终利用模型设计实现了 GAN 在复杂数据下的应用。

Oct, 2017

生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了 GANs 的潜在架构、验证指标和应用领域，并探讨了 GAN 与 Jensen-Shannon 散度之间的深刻联系以及 GAN 框架的最优性特征。对 GAN 变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了 GAN 与 Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

Aug, 2023

本文提出一种将 GAN 优化问题转化为广义变分不等式的方法，并借鉴数学规划方法，通过平均，外推以及过往外推等方法，扩展了变分不等式优化技术用于 GAN 的训练。

Feb, 2018

本文综述了生成模型的最新应用 —— 生成对抗网络（GAN）及其在计算机视觉和机器学习领域的实际应用，讨论了 GAN 训练中的困难和障碍，并调查了不同研究者提出的训练方案，以求实现 GAN 的稳定训练，最后探讨了与该主题相关的新问题和研究方向。

Jun, 2020

本文旨在全面理解对抗生成网络训练动态，研究了训练中出现的不稳定性和饱和现象，提出了一种实用且基于理论的解决方向，并引入了新的工具来研究这些问题。

Jan, 2017