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

本文在生成对抗网络中引入流形学习方法来打磨辨别器，考虑局部约束线性和基于子空间的流形以及局部约束的非线性流形，利用流形学习和编码的设计将中间特征表示映射到流形上，并通过协调特征表示和流形视图之间的差异性，实现去噪和流形精细化的两难平衡，并在实验中发现局部约束的非线性流形优于线性流形，性能也明显优于现有的基线算法。

Dec, 2021

本研究提出了一种可解释的 Manifold Learning 方法，在不降低数据质量的前提下进行维度降低，具有多目标优化功能和高效简洁的特点，适用于数据分析的应用。

Jan, 2020

本文探讨了对生成对抗网络中出现的不稳定性和模态崩溃问题进行改进的方法，通过引入进化计算的原理，将两种促进训练多样性的方法（E-GAN 和 Lipizzaner）进行混合，提出了一种名为 Mustangs 的进化 GAN 训练方法，该方法通过结合了多样性提升的变异和种群方法，实现了更准确更快速地训练 GAN 模型。

May, 2019

本文介绍了生成对抗网络的成功因素，并提出 “生成潜在优化” 框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

Jul, 2017

本文提出了一种基于蒙特卡罗树搜索的进化算法 -- LMMOCTS，旨在改进大规模多目标优化问题的性能和灵敏度。该方法通过抽样决策变量来构建蒙特卡罗树上的新节点进行优化和评估，并选择具有良好评估的节点进行进一步搜索，针对决策变量规模带来的性能灵敏度进行解决。在实验中，与数种最新设计进行了对比，并提出了两个度量算法灵敏度的指标，结果证明了该方法对于解决大规模多目标优化问题具有有效性和性能的灵敏度。

Apr, 2023

通过在图像的潜在空间中对对抗样本进行对抗训练以及利用生成模型中学习到的流形信息进行双流形对抗训练，可以大大提高深度学习模型的鲁棒性，从而有效地应对多种新颖的对抗攻击。

Sep, 2020

本研究通过新的可视化技术研究了 GAN 优化景观，并从理论和实践的角度对 GAN 的训练进行了实证研究，发现 GAN 在训练过程中会显著旋转，并最终收敛于一个稳定的马鞍点而非最小值。

Jun, 2019

本文研究了基于最大似然估计的深度生成模型在处理高维数据时可能存在的流形过拟合问题，提出了一种由降维和密度估计两步组成的有效算法，能够避免流形过拟合问题并且实现了对隐式模型的密度估计。

Apr, 2022

使用遗传编程进行可解释流形学习，直接惩罚树结构的复杂性，提高流形质量和可解释性，并允许自定义复杂度度量，标志着实现可解释流形学习的重要进展。

Mar, 2024