本文介绍了一种基于最小距离估计的统计模型，即对于可能性不易计算的生成模型，通过指定核函数，作为一个度量距离的最大均值差异（MMD）可以用来进行最小距离估计，同时结合自然梯度下降算法的应用使这种估计更加高效和鲁棒。

Jun, 2019

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

通过使用最大均值差异（MMD）作为批判家来研究生成对抗网络的训练和性能，我们澄清了最近的工作中提出的 GAN 损失函数中的偏差问题，并讨论了 MMD 批判家的内核选择问题，提出了改进的 GAN 收敛度量，核启动距离，并展示如何在 GAN 训练期间使用它动态调整学习速率。

Jan, 2018

在机器学习应用中，非参数的两样本检验方法，如最大均值差异（MMD），通常用于检测两个分布之间的差异。然而，现有文献的大部分假设可以获得两个目标分布的无误差样本。我们放松了这个假设，研究了在 ε 污染下对 MMD 的估计，其中可能存在一个非随机的 ε 比例将一个分布错误地分组到另一个分布中。我们展示了在 ε 污染下，典型的 MMD 估计是不可靠的。相反，我们研究了 MMD 的部分识别，并描述了包含真实未知 MMD 的锐利上下界。我们提出了一种估计这些界的方法，并证明随着样本量的增加，它给出了收敛速度比其他方法更快的对 MMD 最尖锐的界估计。通过使用三个数据集，我们经验证明我们的方法优于其他替代方法：它给出了低错误覆盖率的紧致界。

Aug, 2023

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

本研究提出了条件生成矩匹配网络 (CGMMN)，基于条件最大均值差距 (CMMD) 标准，学习给定一些输入变量的条件分布，学习采用随机梯度下降，梯度通过反向传播计算。我们在广泛的任务上评估了 CGMMN，包括预测建模、上下文生成和贝叶斯暗知识，这些任务通过学习相对较小的 CGMMN 学生网络从贝叶斯模型中提炼知识。结果表明，在所有任务中都具有竞争性的性能。

Jun, 2016

本研究提出三个重要因素：有效的深度内核、极限统计应用、野外自助法，尤其是克服了对抗数据的非独立性问题。研究结果表明，最大均值偏差 (MMD) 测验可以检测到自然数据和对抗数据之间的分布差异，这为基于两样本检验的对抗数据检测开辟了一条新的道路。

Oct, 2020

本文构建了最大均值差异（MMD）的 Wasserstein 梯度流并研究了其收敛性质，提出了一个基于梯度注入噪声的方法进行正则化，并给出了其理论和实证证据。该流的实现很简单，因为 MMD 及其梯度均具有简单的封闭形式表达式，可通过样本轻松估计。

Jun, 2019

本文提出了一种基于最大均值差异的理解下界（ELBO）的变体，该下界替代了 KL 散度，取得了比现有技术更高的多个基准测试结果，包括多个图像分类任务。 此外，本文还提出了一种新的估算给定预测的不确定性的公式，并表明该公式对抗攻击和输入噪声具有更强的健壮性。

Mar, 2020

本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

Jul, 2020