MisGAN：用对抗生成网络从不完整的数据中学习
本文提出了一种新的通过使用生成对抗网络 (GAN) 框架来填补缺失数据的方法，称为生成对抗填补网络 (GAIN)。通过给 D 提供一些额外的信息，即提示向量，我们测试了我们的方法，并发现 GAIN 显著优于现有的插值方法。
Jun, 2018
通过利用响应模式的结构，我们提出了基于 Generative Adversarial Nets (GAN) 的统一灵活框架，旨在同时处理片段数据的插补和标签预测，与其他基于生成模型的插补方法不同的是，该方法具有理论保证并且可以处理 Missing At Random （MAR）的数据。在广泛的实验中，FragmGAN 表现出较大的预测性能优势。
Mar, 2022
本文提出了一种基于协同生成对抗网络 (CollaGAN) 的缺失图像数据填充的框架，该框架将图像填充问题转化为多域图像到图像的翻译任务，以便通过单个生成器和判别器网络成功地使用剩余的干净数据集估计缺失数据，实验证明与现有竞争方法相比，CollaGAN 能够产生更高质量的图像。
Jan, 2019
本文介绍了一种用于生成对抗网络的子判别器和密度比率的方法，旨在提高在使用未标记数据进行影像分割等预测任务时的图像生成以及分割准确度。
May, 2019
本文提出了一种基于半监督学习的缺失数据完整性模型 SEGAN，它通过引入生成器、判别器和分类器等三个重要模块，使生成器在预测缺失数据值时更充分地利用已知数据和标签信息，同时通过引入缺失提示矩阵使判别器能够更有效地区分已知数据和生成器填充的数据，实验证明 SEGAN 模型能够学习到真实已知数据的分布特征，并且在大量实验中表现优于当前最先进的多元数据完整性方法，性能提升超过 3%。
May, 2024
本文提出了一种基于生成对抗网络（GAN）和去噪自动编码器（DAE）的视图插补方法，该方法能够有效地解决多视图数据分析中的缺失视图问题，并可用于生命科学领域的遗传研究。
Aug, 2017
本文提出了使用生成对抗网络（GAN）生成机器学习任务的人工训练数据，以解决样本不平衡问题与个人隐私数据问题，在多个基准数据集上测试表明，使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.
Apr, 2019
本文提出了一种名为 Dual-Path Generative Adversarial Network (DPGAN) 的新框架，用于同时处理缺失数据和避免过度平滑问题，在广泛的基准数据集上进行了全面的实验证明，DPGAN 始终能与现有的最先进的数据补全算法相媲美，甚至胜过其它算法。
Apr, 2024