本文提出一种利用课程学习和逐步教授 RNN 编写难度递增且长度可变的序列的方法，从而使其能够使用 GANs 生成文本。

Jun, 2017

本文提出一种名为 ColdGANs 的综合探索策略的 GAN 框架，用于解决基于 Maximum Likelihood Estimation 培训的文本生成算法的局限性，并展示了 ColdGANs 相比于其他 RL 算法以及 MLE 在三个文本生成任务中的效果更好。

Jun, 2020

本文介绍了两种技术 (dropout 采样和完全规范化的 LSTM)，提出了 InitialGAN 模型，并引入了一个新的评估指标 —— 最小覆盖率，试图解决最常遇到的暴露偏差问题，实验结果表明 InitialGAN 优于 MLE 和其他比较的模型，比我们所知任何一种语言 GAN 都可以不使用任何预训练技术超越 MLE。

Aug, 2022

本文提出了一种基于生成对抗网络和对抗性训练的正则化方法，可以在神经语言模型中防止过拟合，与常见的对抗性训练方法相比，本方法不需要经过时间的二次反向传播，并且其开销不超过基准方法的 20%。

Nov, 2022

本文探讨了使用 GAN 自学习等机制解决自然语言生成中离散输出空间问题；通过实验表明，提出的模型在中文古诗生成数据集上取得了最新的高分，可以生成自由语序和概率性上下文无关语法。此外还介绍了一个条件模型，可根据句子特征生成序列。

May, 2017

本文利用自编码器生成低维度语句向量空间，再用生成对抗网络利用这个空间生成真实文本，与竞争基线相比，经人工审核和 BLEU 分数表明模型可以生成逼真的文本。

Oct, 2018

本研究提出利用混合专家与特征统计对齐方法，提高生成对抗网络在语言模型中的表示能力并改善生成数据的学习信号，从而在文本生成任务中取得了更优异的性能。

Feb, 2023

本文介绍了将生成对抗网络应用于自然语言任务的困难之处，提出了一种新的最大似然增强离散生成对抗网络方法，并在多个数据集上进行实验证明了其优越性。

Feb, 2017

本文介绍了一种使用协作式判别器架构来生成逼真文本样本的生成合作网络方法，并通过各种有效的解码方案实现了两项主要 NLG 任务的最优结果。

Jan, 2022

本篇论文研究自然语言生成中存在的曝光偏差问题，指出了评估基准的不足之处，并证明在整个质量和多样性空间中，最大似然估计（Maximum-Likelihood）模型在质量和多样性方面表现优于对抗性变体，且温度调整提供了更好的质量 / 多样性权衡。

Nov, 2018