LIC-GAN：语言信息条件图生成 GAN 模型
本文探讨了使用GAN自学习等机制解决自然语言生成中离散输出空间问题；通过实验表明，提出的模型在中文古诗生成数据集上取得了最新的高分，可以生成自由语序和概率性上下文无关语法。此外还介绍了一个条件模型，可根据句子特征生成序列。
May, 2017
本教程讨论了GAN技术及其在不同信息检索场景下的离散数据拟合的变体, 着重介绍了IRGAN的基本GAN框架和直接应用在信息检索中拟合单个ID数据分布, 以及GAN在生成文本和图形数据等方面的解决方案, 并介绍了IRGAN和Texygen等相关开源平台来帮助研究者进行有关GAN的信息检索实验, 最后对GAN在信息检索中未来研究方向进行了综合总结和展望。
Jun, 2018
本文讨论了用于语言生成的生成对抗网络(GANs)模型的评估指标问题，认为现有的评估指标无法全面准确地反映模型更真实的表现，提出了一些更适合从质量和多样性方面评估GAN模型的新指标，并通过实验证明了相比传统语言模型(LM)，目前的GAN模型在语言生成方面的表现并没有明显优势。
Jun, 2018
本研究通过采用大批处理、密集奖励和鉴别器规则等现有技术来稳定和改善语言生成对抗网络，从而成功实现了ScratchGAN的从零训练，并表明其在语料库EMNLP2017 News和WikiText-103上的质量和多样性指标相当于最大似然训练。
May, 2019
本研究提出了一种名为LGGAN的有标签图生成对抗网络，用于训练基于节点标签的图结构数据的深度生成模型，并在各种类型的图数据集上进行了测试，其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图，并优于所有另一种方法的质量和普适性。此外，经过下游任务进行的生成图的质量评价，结果表明LGGAN可以忠实地捕捉图结构的重要方面。
Jun, 2019
本文提出一种名为ColdGANs的综合探索策略的GAN框架，用于解决基于Maximum Likelihood Estimation培训的文本生成算法的局限性，并展示了ColdGANs相比于其他RL算法以及MLE在三个文本生成任务中的效果更好。
Jun, 2020
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
本研究综述了基于图形神经网络在自然语言处理中的应用，并提出了一个新的分类（基于图构建、图表示学习和基于图的编码器-解码器模型），同时介绍了许多利用GNN的NLP应用程序，并总结了相应的基准数据集、评估指标和开源代码；最后，讨论了利用GNN进行NLP的各种未解决问题以及未来的研究方向。
Jun, 2021
我们提出了InstructGLM（指导调整的图语言模型），基于自然语言说明系统地设计高度可扩展的提示，使用自然语言描述图的几何结构和节点特征，通过指导调优语言模型以一种生成方式在图上执行学习和推理，超过了所有竞争的GNN基准数据集，证明了我们方法的有效性，并为将生成语言模型替代GNN作为图机器学习的基础模型提供了启示。
Aug, 2023