通过定义通用性测量，本文研究了扩散概率生成模型的泛化能力。我们发现确定性采样器生成的数据与训练集高度相关，因此泛化能力差。通过实验，我们验证了足够训练的扩散模型与经验最优解之间的微小区别对于模型具有关键性影响，并提出了另一个无潜在泛化问题的训练目标，该目标返回与原模型类似的模型，从而验证了训练扩散模型的泛化能力。

May, 2023

本文研究了深度生成模型的诊断方法，提出了基于广义经验似然的方法，可以检测模型何时丢失了关键模式、发现模型的不平衡性并评估其是否能足够捕获类内多样性。

Jun, 2023

本研究提出了一种新的生成模型架构，可以更好地解决深度生成模型中潜在空间中的非线性扭曲问题，并提高了概率分布、采样算法和聚类效果。

Oct, 2017

本文介绍了一种新的生成模型，利用评分匹配来估计数据分布的梯度，通过 Langevin 动力学生成样本。我们的框架使得模型架构更加灵活，无需在训练期间进行抽样或使用对抗性方法，提供了可用于基于原则的模型比较的学习目标。在 MNIST、CelebA 和 CIFAR-10 数据集上，我们的模型产生的样本与 GAN 相当，实现了 CIFAR-10 inception 得分的新的最先进水平为 8.87。此外，我们通过图像修补实验证明了我们的模型学习到了有效的表示。

Jul, 2019

研究提出了一种更高效的密度估计方法，从而解决了一些复杂的生成学习算法中难以估计模型质量的问题，并证明其提供了真实测试对数似然的下界和无偏估计，同时还提出了一种偏差估计的变体，可以在有限的样本数下可靠地用于模型比较。

Nov, 2013

通过最大均值差异的无偏估计作为双样本检验统计量，将深度神经网络视为生成器网络，将学习过程看做最小化二元检验统计量，通过实证比较及理论边界分析，探究了生成对抗网络框架及无参数核双样本检验框架的异同。

May, 2015

本论文研究了生成性对抗网络（GANs）的收敛速率和损失函数，探讨了在不同参数和非参数条件下的目标分布，都能通过 GANs 进行逼近， 建立了基于生成器和判别器的正则化理论，提出了生成器 - 判别器对正则化的新概念，为分布估计提供了有效的统计保证。

Nov, 2018

本研究旨在理解和评估用于科学中生成模型的统计距离，包括 Sliced-Wasserstein、Classifier Two-Sample Tests、Maximum Mean Discrepancy 等方法。通过评估决策模型和生成医学图像模型，展示了这些不同距离对相似数据的不同结果。

Mar, 2024

基于最大似然原则的参数估计，使用迭代最优化算法获取数据似然函数的最优解。本文提出一种新的去噪扩散概率模型方法（Gen-neG），利用外部的辅助信息进行模型学习，在生成过程中通过生成对抗网络（GANs）和鉴别器引导策略，将生成样本限制在正区域范围内。实验证明 Gen-neG 在自动驾驶模拟器中的碰撞避免和安全人体运动生成等应用中具有有效性。

Jul, 2023

本研究提出了一种基于最大均值差异（MMD）的统计检验来最大化两个概率分布样本的表示和区分度的优化方法，并将其应用于生成对抗网络（GAN）的无监督学习设置中，在其中，MMD 可以用作两种角色：一是直接对样本或样本特征作为鉴别器使用，二是通过将模型样本与参考数据集比较来评估生成模型的性能。

Nov, 2016