提出了一种用于可控的分类文本生成的新型生成对抗网络（GAN）框架，FA-GAN，通过改进文本 GAN 的离散性、训练不稳定性、模式坍缩、缺乏多样性和可控性等问题来生成具有指定类别的句子。实验证明，FA-GAN 在文本分类的六个数据集上的性能始终优于其他 10 种最先进的文本生成方法。案例研究表明，FA-GAN 生成的合成句子能够匹配所需类别，并且具有良好的可读性、流畅性和文本真实性。

Aug, 2023

本文提出了一种从未标记或部分标记的数据中学习判别分类器的方法，该方法基于一种目标函数，该函数在观察到的示例和它们预测的分类分布之间进行互信息交换，并对分类器抵抗对抗性生成模型的鲁棒性进行了权衡。我们实证评估了我们的方法 - 我们将其命名为分类生成对抗网络（或 CatGAN）- 在合成数据以及具有挑战性的图像分类任务上，展示了所学习分类器的鲁棒性。此外，我们定性地评估了由随着判别器学习的对抗性生成器生成的样本的保真度，并确定了 CatGAN 目标和判别聚类算法（如 RIM）之间的联系。

Nov, 2015

本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。

Mar, 2018

本文提出了一种可插拔的框架，名为 GANTEE，它使用生成对抗网络来扩展分类法，以解决传统分类法扩展方法效率低下和训练样本有限等问题，并采用先前训练的语言模型，以快速检索概念表示。实验表明 GANTEE 在分类法扩展的效率和有效性方面都有所提高。

Mar, 2023

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

本文提出了一种生成式对抗网络的扩展 ——ARTGAN，用于合成具有抽象特征的艺术品等复杂挑战性图像。通过允许唯一标签信息的反向传播，该方法更快地进行学习并且能够更好地生成高质量的图像。实验显示，ARTGAN 可以创造出逼真的艺术作品，并能够生成全局外观自然、清晰的实际图像。

Feb, 2017

利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式，将字符转换为像素，有效地将文本和图像建模相结合，从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。

May, 2016

提出了一种基于生成对抗网络驱动的多目标进化算法，通过对父代和子代解进行分类和采样，充分利用生成对抗网络进行有限训练数据的高维优化，取得了理想的效果

Oct, 2019

本文提出一种名为 CAT-Gen 的 NLP 模型，通过可控属性控制生成对抗文本，并将生成的对抗例子用于提高模型的鲁棒性。实验表明，与已有的对抗文本生成方法相比，CAT-Gen 能够生成更多样化、更流畅的对抗文本，并且生成的攻击能够更好地抵御模型重新训练和不同的模型结构。

Oct, 2020

生成对抗网络（GANs）在生成高质量的图像方面取得了巨大成功，并因此成为生成艺术图像的主要方法之一。本研究首先使用 Creative Adversarial Networks（CANs）架构的 GAN 进行训练，然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估，并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外，我们还尝试了一种智能变异算子，通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明，当演化过程由协同人类反馈引导时，所提出的方法能够生成高度吸引人的艺术图像。

Mar, 2024