这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性，实现模型的半监督贝叶斯主动学习，并且通过全贝叶斯判别组件实现参数值不确定性的估计。

Jun, 2017

该论文讨论了计算机视觉中生成模型的局限性，提出利用现有的判别式或启发式计算机视觉方法的原则性方法，在具有渲染程序组件的挑战性生成模型上进行实验，并集中研究反转现有图形渲染引擎的问题。

Feb, 2014

针对学习时标签存在噪声的问题，本研究提出了一种新的生成式噪声标签学习方法，通过直接关联数据和干净标签、使用判别模型隐式估计生成模型、以及借鉴部分标签学习的信息性标签先验，解决了现有方法中的三个问题，实验证明该生成模型在保持计算复杂度与判别模型相似的情况下提供了最先进的结果。

Aug, 2023

该论文提出了一种 kernel generative networks 方法，将深度鉴别网络转换为核生成网络，实现了鉴别模型和生成模型的协同配合，探讨了在低维环境下两种模型的应用时的理论和经验表现，证明了它比对应的鉴别学习方法更有效，并可以在样本量较少时实现更优的表现，不仅可以获得更平滑的后验概率，而且可以超出训练数据的凸包范围，更好地处理 OOD 输入。

Jan, 2022

本文探讨了分类器是否可以用于提高生成模型的质量，并提出了一种使用判别分类器的表示来增强生成模型的目标函数的方法。研究表明，用这种方法增强目标函数可以产生比标准变分自编码器更清晰、视觉质量更高的样本。

Feb, 2016

提出一个新的混合模型，该模型将图推断与学习逆模型相结合，用于 Kalman 滤波器并通过交叉验证来平衡图推断和学习推断的工作量，实验表明，该模型可以比独立运行的学习或图推断更准确地估计失真的 Lorenz 吸引子的轨迹。

Jun, 2019

当前主要的建模人类物体识别的范式是辨别性推理，但零样本生成模型出奇地接近人类物体识别数据。

Sep, 2023

通过向生成式文本分类器引入离散潜变量，并探究几种图模型配置，我们提高了它的性能，尤其在小数据集下，同时分析了模型的可解释性。

Oct, 2019

该研究提出了一种基于条件分布和 delta 分布的参数估计框架，通过最小化基于损失函数的不相似系数来促进两个分布的协同。该方法在两个挑战性问题 - 目标检测和动作检测上获得了良好的效果。

Jun, 2012

本论文提出了一种用于训练神经网络的生成模型和判别模型的混合方法，其中关键的想法在于高斯耦合 softmax 层，该层可以嵌入神经网络分类器中，允许分类器估计类的后验分布和类条件数据分布，而且该混合模型适用于半监督学习和置信度校准。

May, 2023