本研究提出了一种通过使用生成式对抗网络 (GAN) 实现的新型主动学习方法，通过根据不确定性原理生成查询来增加学习速度，我们的方法可以与其他主动学习原理一起使用；我们报告了各种数值实验的结果以证明所提出的方法的有效性。在某些情况下，该算法的效果优于传统的基于池的方法。据我们所知，这是第一个使用 GAN 实现的主动学习方法。

Feb, 2017

使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

Jun, 2018

本文提出一种贝叶斯生成主动深度学习方法，将主动学习与数据增强相结合，通过在 MNIST、CIFAR-10/100 和 SVHN 数据集上进行训练和分类实验证明，此方法具有更高效的训练和更好的分类结果。

Apr, 2019

该论文提出了一种名为 ActGen 的方法，旨在提高图像生成的效率，并通过将生成的图像纳入训练集来增强模型性能。通过使用真实图像作为引导，在扩散模型的去噪过程中，引入了一种注重图像引导的技术，并利用模型对类别提示的关注来确保类似前景对象的保留性，同时增加背景的多样性。此外，还引入了一种基于梯度的生成引导方法，用两种损失生成更具挑战性的样本，并防止生成的图像与之前生成的图像过于相似。在 CIFAR 和 ImageNet 数据集上进行的实验结果表明，该方法在产生的图像数量显著减少的同时，实现了更好的性能。

Mar, 2024

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

该文章通过变分自编码器（VAE）和对抗网络训练了一个基于池的半监督主动学习算法，通过对抗学习的方式隐式地学习了最具代表性的查询的采样机制并达到了创新性的分类效果。

Mar, 2019

本文系统研究了当前使用类别标签的生成对抗网络 GANs 以及相关的分类信息对 GAN 网络的训练和生成效果的影响，并提出了一种新的基于激活最大化的 AM-GAN 生成对抗网络方案，在 CIFAR-10 数据集上实现了 8.91 的 state-of-the-art Inception 得分，并提出 AM 得分评价指标以更准确地评估生成样本质量。

Mar, 2017

本研究提出了一种新的主动学习策略，利用对抗性样本逼近决策边界来最小化训练过程中从神经网络的标注查询次数，实验证明这种方法加速了 MNIST、Shoe-Bag 和 Quick-Draw 数据集上的卷积神经网络收敛速度。

Feb, 2018

本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

May, 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