本文比较了不同的基于深度学习的密码猜测方法，包括循环神经网络、生成对抗网络、自编码器以及注意机制，并在非定向离线攻击中提出了使用 IWGAN 变体进行密码猜测的实验设计，该方法可以提高密码安全性并创建更准确和高效的密码强度计。

Aug, 2022

本文介绍了一种基于深度生成模型表示学习的密码猜测方法，提出了一般的有条件密码猜测框架和动态自适应估计密码分布的 EM 框架。

Oct, 2019

本研究提出 PassGAN，一种基于理论的机器学习算法，使用生成对抗神经网络从实际数据泄露中学习密码列表的分布，并生成高质量的密码猜测，实验证明，该方法优于基于规则和最先进的机器学习密码猜测工具，而且不需要任何关于密码或常见密码结构的先验知识，可以提取许多其他工具无法编码的密码属性。

Sep, 2017

本文综述了各种基于深度学习的密码猜测方法，介绍了一种基于生成对抗网络的密码猜测工具 GNPassGAN，与最先进的 PassGAN 模型相比，GNPassGAN 能够猜测更多的密码，生成更少的重复密码，适用于离线攻击。

Aug, 2022

本篇论文研究了大型语言模型在密码建模中的效力，介绍了一种名为 PassGPT 的大型语言模型，并在密码生成中表现出众，比起之前基于生成对抗网络的方法，猜对了两倍数量的新密码，同时，文章提出了引导密码生成的概念，利用 PassGPT 采样过程生成符合任意约束的密码。最后，文章对 PassGPT 定义密码的熵和概率分布进行了深入分析，并讨论其在增强现有密码强度评估器方面的应用。

Jun, 2023

PagPassGPT 是一种基于 Generative Pretrained Transformer (GPT) 的密码猜测模型，利用模式结构信息进行策略引导猜测，从而显著提高猜中率；此外，我们提出了 D&C-GEN 来减少生成密码的重复率，采用分治法思想将猜测密码的主任务递归地划分为非重叠子任务，并从父任务中继承知识并预测后续标记；与现有模型相比，我们的方案在正确猜测密码的同时减少了 25% 的重复率。

Apr, 2024

本综述对基于深度学习的图形生成方法进行了全面调查，并将其分为自回归，自编码，强化学习，对抗生成和流生成五类，给出了各类方法的详细描述，并介绍了公开源代码，常用数据集和最广泛使用的评估指标，最后强调了现有的挑战和讨论了未来的研究方向。

Dec, 2020

提出了一种基于差分隐私的自编码生成模型和变分自编码生成模型，这些模型可以有效地保护深度学习的隐私，并且经过评估具有较强的鲁棒性。

Dec, 2018

本文研究使用多层感知器、最大均值差异等统计假设检验技术来训练生成对抗网络，并与自编码器网络相结合，以产生比基准方法更优秀的 MNIST 和 Toronto Face Database 的生成模型。

Feb, 2015

本文介绍了一种深度、生成式自编码器，它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法，我们证明了该方法在几个经典数据集上取得了最先进的生成性能。

Oct, 2013