本文研究高维条件独立性检验问题，在双生成对抗网络（GAN）的基础上提出了一种推理方法，通过多个转换函数的广义协方差度量的最大值来构建测试统计量，并采用数据分割和交叉拟合来实现理论保障条件的最小化。除了控制 Type I 错误和具有渐近一的能力外，我们的方法使用了倍增样本法，证明了在更弱且更实际可行的条件下比现有测试更可行，并且是如何利用 GAN 等最先进的深度学习工具来解决传统但具有挑战性的统计问题的一个具体例子。我们通过模拟和一个抗癌药物数据集的应用来展示了我们的测试的有效性。

Jun, 2020

利用条件生成对抗网络来解决回归问题，通过学习预测函数的输出与输入的配对在训练数据集中无法与特征 - 标签对区分的方式，提出了一种对回归问题的新方法，相比传统回归方法，该方法在拟合数据的分布上做出了更少的假设，具备更好的表示能力，并与统计学中的广义线性模型进行了类比，展示了如何将其扩展到神经网络，通过在多个合成和公开实际数据集上的实验证明了这种新方法优于标准回归的优势，尤其是在实际的重尾回归数据集中，为了使我们的工作更具可重复性，我们发布了源代码。

Apr, 2024

本文研究了生成对抗网络（GAN）如何从有限样本中学习概率分布，得到了 GAN 在一组 H"older 类定义的积分概率度量下的收敛速度和 Wasserstein 距离特殊情况下的学习率，并证明了当网络结构适当选择时，GAN 能够自适应地学习低维结构或具有 H"older 密度的数据分布。特别是对于集中在低维集合周围的分布，我们展示了 GAN 的学习速率不取决于高环境维度，而取决于较低的内在维度。我们的分析基于一种新的神谕不等式，将估计误差分解为生成器和鉴别器逼近误差和统计误差，这可能是具有独立研究价值的。

May, 2021

本文介绍了一种新颖的生成模型 —— 条件生成对抗网络，可以通过给生成器和判别器同时提供我们希望对条件进行的数据 y 来构建。本文展示了这个模型可以根据类别标签生成 MNIST 数字，并提供了一个多模态的模型应用示例，演示了如何生成不属于训练标签的描述性标签。

Nov, 2014

本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

Oct, 2016

本文对生成对抗网络（GAN）进行了分析，特别是统计推理这一过程的理论特征，提出了一种简单形式的 GAN，称为受限 f-GANs，发现线性 KL-GANs 的最优生成器所推断出的分布是最大似然与矩法解的有趣组合。

Sep, 2018

该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

Jan, 2019

本文提出了一种新的基于随机化决策规则的 GAN 公式，其中鉴别者收敛于一个固定点，而生成器则收敛于 Nash 均衡下的分布，通过随机梯度 Markov 链蒙特卡罗算法以及相应的模拟方法，得到了一种有效的支撑算法。

Jun, 2023

本研究探讨在差分隐私的约束下的条件独立性检验，设计了两种基于广义协方差度量的私有 CI 检验以及基于 Candës 等人的条件随机化检验（在模型 - X 假设下），这是第一种适用于 $ Z $ 为连续型变量的私有 CI 检验。

Jun, 2023

提出了一种简单的方法来评估生成对抗网络中生成的图像质量，通过定义与真实图像在鉴别器中的嵌入分布相关的高斯似然函数，并基于此定义两个简单的度量方式，从而得出一种适用于各种 GAN 的生成图像适应度的简单度量标准，CIFAR-10 上的实证结果证明了提出的度量和生成图像的质量之间的强相关性。

Jul, 2017