本研究提供了一种模拟算法，能够从黑盒格式的 (多变量) 特征函数中进行模拟。我们构建了一个生成式神经网络，其损失函数利用最大均值差异度指标的特定表示直接融入目标特征函数。这种构建方式具有普遍性，不受维度限制，并且不需要对给定特征函数作任何假设。此外，还导出了关于最大均值差异度指标的逼近质量的有限样本保证。该方法在一个简短的模拟研究中进行了说明。

Jan, 2024

通过使用最大均值差异（MMD）作为批判家来研究生成对抗网络的训练和性能，我们澄清了最近的工作中提出的 GAN 损失函数中的偏差问题，并讨论了 MMD 批判家的内核选择问题，提出了改进的 GAN 收敛度量，核启动距离，并展示如何在 GAN 训练期间使用它动态调整学习速率。

Jan, 2018

本文研究生成对抗网络中用于逼近 Wasserstein 度量的方法，考虑到 $c$-transformation 的使用可以更精确地估计真实的 Wasserstein 度量，但在生成模型方面，$c$-transformation 不是表现最好的方法。

Oct, 2019

本研究提出 Frechet Joint Distance (FJD) 作为一种度量条件生成对抗网络 (CGANs) 模型质量的单一指标。通过在一个可控的合成数据集上进行实验，证明了 FJD 在评估 CGANs 模型时的优越性，并用于评估了基于 CGANs 模型的多种调节模式，如类标签、对象掩模、边界框、图像和文本说明。

Jul, 2019

FID 作为生成图像的主要质量度量标准存在一些问题，我们提出了一个基于更丰富的 CLIP 嵌入和最大均值差异距离的高斯 RBF 核的新的替代度量标准 CMMD，通过实验证明 FID 评估文本到图像模型的可靠性较低，而 CMMD 则提供了更强大和可靠的图像质量评估方法。

Nov, 2023

该研究探讨了几个度量数据分布与隐式模型分布差异的标准，发现这些度量在概率测度空间中引入了不同的几何特性，特别是当参数生成器具有非凸参数化时，$1$-Wasserstein 距离能够实现惊人的近似全局收敛保证。

Dec, 2017

通过使用最优传输的方法改进文本生成 GAN，采用新型度量 Feature-Mover's Distance 匹配真实和合成句子的潜在分布，有效解决了现有方法中的模式崩溃和脆弱训练等问题，在无条件文本生成、非平行文本风格转移和无监督密码破解等任务上均取得了优异表现。

Sep, 2018

本文介绍了一种新的基于积分概率度量的生成对抗网络 (IPMs) 用于训练 GAN 的方法，该方法基于有限维特征空间中嵌入的分布的统计数据，其中的平均值和协方差匹配特征，这样的 IPMs 可实现稳定的 GAN 训练，我们称之为 McGan，并最小化所讨论的分布之间的有意义的损失

Feb, 2017

本文提出了一种名为 PCF-GAN 的新型生成对抗网络，将路径特征函数（PCF）作为时间序列分布的原则表示，并将其并入鉴别器以增强其生成性能，同时通过序列嵌入将自编码器结构集成到模型中，实现了复杂时间序列数据的生成和重构。实验证明，PCF-GAN 在生成和重构质量上始终优于现有技术。

May, 2023

为了提高 GAN 训练的稳定性，本文提出了隐式竞争规则作为稳定 GAN 的一种解决方法，该方法可通过对生成器和鉴别器的对抗建模来显著增强隐式竞争规则，提升 WGAN-GP 的 inception score，实现无显式正则化的高效 GAN 训练。

Oct, 2019