本文提出了一种用于电子医疗记录中缺失数据生成和填补的新方法，该方法基于 GAN 技术，可以有效地提高数据预测精度。

Aug, 2021

本文提出了一种端到端的深度生成分类器，通过使用领域约束自编码器作为生成器的先验来解决类不平衡问题，并使用判别器和分类器进行对抗学习，实验结果验证了该方法在处理高维类不平衡分类问题方面的卓越性。

Sep, 2022

本论文提出了一种将生成对抗网络（GAN）用于数据增强的方法，以解决标签分布不均衡导致的图像分类困难，特别是在情感分类中，实验结果表明，使用 GAN 进行数据增强，可以使分类准确率提高 5％〜10％。

Nov, 2017

本文提出了一种三角对抗生成网络，它包含三个玩家（生成器、判别器和分类器），生成器和分类器特征化图像和标签之间的条件分布，而判别器仅关注辨别假的图像 - 标签对，并且设计兼容的实用程序以确保分类器和生成器特征化的分布都收敛于数据分布。

Mar, 2017

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

Dec, 2017

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 GAN 的框架，用于学习复杂、高维度的不完整数据，其中包括生成完整数据生成器和建立缺失数据分布的掩码生成器，同时还采用对抗训练技术完成缺失数据的插补处理，并在缺失随机假设下进行了多种类型的实验验证。

Feb, 2019

本论文提出了一种名为 HiGAN 的新方法，使用层次生成对抗网络将从图像等源域传递的知识用于视频识别目标域，以提高分类器的性能，实验证明其相比当前最先进的领域自适应方法更有效。

May, 2018

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018