通过使用最大均值差异（MMD）作为批判家来研究生成对抗网络的训练和性能，我们澄清了最近的工作中提出的 GAN 损失函数中的偏差问题，并讨论了 MMD 批判家的内核选择问题，提出了改进的 GAN 收敛度量，核启动距离，并展示如何在 GAN 训练期间使用它动态调整学习速率。

Jan, 2018

本文提出了一种基于 MMD 核的 GAN 模型正则化的梯度的原则性方法，证明控制批评者的梯度对于有意义的损失函数至关重要，并设计了一种方法来实施精确、分析梯度约束，使得新的损失函数具有连续性，并证明实验表明它可以稳定和加速训练，为 160 x 160 的 CelebA 数据集和 64 x 64 的无条件 ImageNet 数据集上的图像生成模型提供了优于现有方法的性能。

May, 2018

通过引入对抗内核学习技术，提出了一种改进的生成矩匹配网络 MMD-GAN，它能够显著提高模型的表达性和计算效率，并在多个基准数据集上表现优异。

May, 2017

本研究提出了一种基于最大均值差异（MMD）的统计检验来最大化两个概率分布样本的表示和区分度的优化方法，并将其应用于生成对抗网络（GAN）的无监督学习设置中，在其中，MMD 可以用作两种角色：一是直接对样本或样本特征作为鉴别器使用，二是通过将模型样本与参考数据集比较来评估生成模型的性能。

Nov, 2016

通过最大均值差异的无偏估计作为双样本检验统计量，将深度神经网络视为生成器网络，将学习过程看做最小化二元检验统计量，通过实证比较及理论边界分析，探究了生成对抗网络框架及无参数核双样本检验框架的异同。

May, 2015

本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

Jun, 2018

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

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

我们提出了一种均匀集中不等式，用于一类基于最大均值差异（MMD）的估计器的理论分析，特别是在生成模型中的应用。我们将该结果应用于最小 MMD 估计器和 MMD GAN 的泛化误差界的推导

May, 2024

我们提出了一种梯度流程用于生成建模，通过将粒子从初始源分布传输到目标分布，其中粒子上的梯度场由噪声自适应最大均值差异 (MMD) 的梯度给出。我们称该方法为扩散 - MMD - 梯度流或 DMMD。该方法不需要对抗性训练，而与生成对抗网络 (GAN) 中的判别器训练相关。我们在 CIFAR10、MNIST、CELEB-A (64 x64) 和 LSUN Church (64 x 64) 的无条件图像生成中获得了具有竞争力的实证性能，并在 MMD 被 KL 散度的下界替代时证明了该方法的有效性。

May, 2024