该研究提出使用生成对抗网络（GAN）来“合成”零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

Dec, 2017

本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境(判别器)以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了GAN的整体训练效果和生成性能。

Mar, 2018

本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

Aug, 2018

使用生成对抗网络，提出了一种名为LisGAN的新方法，可以通过条件噪声直接生成未见过的特征。灵魂样本被引入生成式零样本学习中作为不变的一面，具有类别的元表示，并且通过联合部署两个分类器来实现粗分类和细分类，超过了现有方法的表现。

Apr, 2019

该论文提出了一种基于生成模型的零样本学习框架，在该框架中采用特征到特征翻译网络和条件生成器，通过交替反向传播学习，进一步提高了在不完整视觉特征条件下的零样本学习性能。

Apr, 2019

本文针对图像翻译中具有复杂架构、参数数量众多、计算复杂度较高的生成器，提出了一种全新的协同进化方法，以减少其内存使用量及乘法操作次数，从而在图像翻译中实现紧凑高效的生成器设计。Experiments表明，该方法的有效性得到了充分的验证。

Jul, 2019

本文提出了一种新的特征生成网络AFC-GAN，用于解决基于GAN的零样本学习中存在的特征混淆问题，通过提出边界损失和特征混淆得分指标FCS等方法可以显著提高模型的性能。

Sep, 2019

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

本文介绍了一种全可微分搜索框架alphaGAN，用于优化生成式对抗网络（GANs）的网络架构。实验表明，该算法可以在仅使用 3 GPU 小时的情况下有效地优化高性能结构，且搜索过程是一种双层极小极大优化问题，采用全可微分的方式。

Jun, 2020

本文提出一种基于多目标进化策略的两阶段神经结构搜索方法 (EAGAN)，旨在稳定生成对抗网络（GANs）的训练过程以提高图像生成性能，实验结果表明其有效性。

Nov, 2021