提出了一种用于离散数据训练生成式对抗网络（GANs）的方法，称为边界寻找 GANs（BGANs）。该方法利用鉴别器估计的差异度量计算生成样本的重要性权重，为训练生成器提供了策略梯度，并证明了该算法在离散图像和字符基自然语言生成方面具有很好的效果。此外，目标函数可以扩展到连续的数据集，可用于提高训练的稳定性，并证明了在 Celeba、LSUN 卧室场景理解和 Imagenet 数据集上，该方法的实用性。

Feb, 2017

利用信息理论，本文通过在优化的一维双重差异空间中直接进行生成抽样，揭示了图像的分布特征以及像素之间的全局和局部依赖结构，提出了一种基于渐变插值的生成新样本的算法，并辅以减少样本复杂性的方法，证明了该方法优于现有的深度学习方法。

Apr, 2024

本文研究了 CNN 的生成建模和渐进预训练方法，并提出了一种基于重要性采样的生成梯度和一种采样图像的可视化方法，实验证明这些方法能够有效提高 CNN 性能并生成真实且多样化的图像样本。

Dec, 2014

本文提出了对 EDGE 模型的改进，包括引入了一个特定度数的噪声计划，优化了每个时间步骤的活跃节点数量，显著减少了内存消耗，并提出了一个改进的采样方案，通过微调生成过程来更好地控制合成网络和真实网络之间的相似度，实验结果表明，这些改进不仅提高了生成图的效率，还增强了其准确性，为图生成任务提供了强大且可扩展的解决方案。

Oct, 2023

针对系统安全和可信度需要进行深入测试的 DNN (DNN 指深度神经网络) 组件，提出了一种基于深度生成模型算法的有效测试方法，以消除无效的测试并提高测试输入的有效性。

Feb, 2021

通过引入一种新的度量标准来鼓励在真实数据和生成的数据之间的相似性，以及使用一种基于 GAN 的方法来生成解释，本文提出了一种方法来避免在深度神经网络模型中手动选择解释样本的问题，并且成功地通过使用这种方法来理解模型在预测音乐音频类型（有无歌唱声）方面的性能。

Apr, 2019

本篇研究提出了一种神经网络模型，该模型能够同时表达 aleatoric 和 epistemic 不确定性，区分特征空间的决策边界和 “out-of-distribution” 区域。在训练过程中，通过集成变分自编码器和生成对抗网络的方法生成了 “out-of-distribution” 样本。通过在多个数据集上进行实验，表明该方法提供了更好的不确定性估计，并且在识别对抗样本时表现出优异的表现。

Jun, 2020

本研究提出了一种 “深 GNN，浅采样器” 设计规则，通过利用深层次的 GNN 在一个浅层、局部的子图内传递信息，避免了在全局范围内过度平滑和邻域爆炸的问题，从而提高了 GNN 的准确性和效率。通过采用各种子图采样算法和神经架构扩展，研究人员在最大的公共图形数据集上取得了最先进的准确性，同时大幅减少了硬件成本。

Dec, 2020

本文提出了一种 Deep Decision boundary Instance Generation（DeepDIG）的方法，在决策边界附近通过生成样本来深入理解深度神经网络的工作机制和决策行为多方面特征。在多个数据集上进行了实验和测试。

Dec, 2019

本研究提出了一种自适应逐层采样方法和跨越较远节点的消息传递方法，以解决图形卷积网络在大规模图中的可扩展性问题，并通过实验验证了其有效性和更快的收敛速度。

Sep, 2018