介绍了通过对抗学习方法来共同学习生成和推理网络的 Adversarially learned inference 模型。其中，生成网络通过将样本从随机潜变量映射到数据空间，而推理网络则将数据空间中的训练样例映射到潜变量空间。同时利用对抗游戏学习判别网络以区分生成网络和推理网络的联合潜变量 / 数据空间样本，从而在半监督环境下获得了与先进技术相当的性能。

Jun, 2016

通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

May, 2016

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

通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

Nov, 2016

本文提出了将生成式对抗网络（GANs）视为隐式模型的一种方法，基于生成器和判别器的相互作用弱化了显式的似然值评估，从而在有向无环图的结构模型中实现了贝叶斯后验推理和模型学习。

Dec, 2016

本文综述了现有算法之间的联系，包括广泛使用的变分自编码器、以对抗方式学习的推断、运算符变分推断、基于生成式对抗网络的图像重建等，提出了新的算法框架，并基于密度比估计或去噪等方法展示了实际的推断算法。

Feb, 2017

本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

Jun, 2017

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

本研究提出一种新的算法用于训练生成式对抗网络，并联合学习身份（例如个人）和观察（例如具体照片）的潜在代码。我们使用成对的训练模式，可生成多样的相同主题图像，并保持灯光和姿势等相关方面的特征，进而提高图像的真实感。结果表明，基于 Siamese 辨别器进行的训练能够生成逼真的与身份相符的照片。

May, 2017

本文主要讨论生成对抗网络的应用和基本操作，介绍了 GAN 如何学习高维度、复杂的真实数据分布，并不需要假设分布，同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。

Nov, 2017