本研究探讨了生成对抗网络（GANs）在不平衡数据集中的应用，旨在增强 GANs 在此类数据集中的性能和稳定性。通过引入一种称为 Damage GAN 的新型网络架构，该架构建立在 ContraD GAN 框架之上，无缝融合了 GANs 和对比学习，我们利用对比学习训练判别器以发展出能够区分所有提供的样本的无监督表示。通过模仿直观的对比学习视觉表示框架（SimCLR），我们提出了一种独特的损失函数，并探索了自我损伤对比学习（SDCLR）的实现，以进一步增强 ContraD GAN 模型的优化。与基准模型，包括深度卷积 GAN（DCGAN）和 ContraD GAN 进行比较评估，证明了我们提出的模型 Damage GAN 在应用于不平衡数据集时在生成的图像分布、模型稳定性和图像质量方面具有明显优势。

Dec, 2023

通过混合合成数据解决数据类别不平衡问题，并结合遗传算法提高对特定分类模型的磁盘故障分类预测准确率。

Oct, 2023

该研究提出了一种基于条件数据生成对抗网络 (CTGAN-RU) 的交通事故数据生成方法，通过数据平衡和合成数据生成，用于交通事故严重性建模，结果表明使用 CTGAN-RU 生成的合成数据在交通事故严重性建模中优于使用原始数据或其他采样方法生成的合成数据。

Apr, 2024

该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

May, 2018

通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。

Feb, 2018

本文提出了 DP-CGANS，一个不同 ially private conditional GAN 框架，旨在生成逼真且保护隐私的表格数据，其通过数据变换、采样、条件和网络训练进行操作，特别考虑到变量依赖性等挑战，并在多个数据集上展示了模型优越性。

Jun, 2022

本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。

Jan, 2020

本文提出了使用生成对抗网络（GAN）生成机器学习任务的人工训练数据，以解决样本不平衡问题与个人隐私数据问题，在多个基准数据集上测试表明，使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.

Apr, 2019

我们提出了一种纹理匹配生成对抗网络 (TMGAN)，它在增强 CT 图像的同时生成可以与目标纹理匹配的图像纹理，从而改善了图像质量并适用于临床应用。

Dec, 2023

本研究通过组合神经网络分类器和生成对抗网络技术提出了一种联合数据集修复策略，用于解决数据集不平衡所导致的性能下降和数据偏差问题，实验证明这种方法可以提高分类器和生成对抗网络的鲁棒性。

Aug, 2020