generative-adversarial-networks

Fence提出使用在高质量合成数据上训练的小语言模型作为LLM应用的专用护栏，展示了相对于基于提示的LLM护栏的性能提升。

本文全面综述了应用于生成对抗网络（GANs）的神经架构搜索（NAS）方法，对各类方法进行了分类，并强调了其优势与局限性。

本文提出了一种混合WGAN-GA方法，用于优化生成图拓扑，通过遗传算法纠正基于GAN生成的图中残留的结构偏差，提高合成图生成和数据增强的真实性。

本文建立了生成对抗网络 (GAN)、逆强化学习 (IRL) 和基于能量的模型 (EBM) 之间的数学等价性，证明了某些 IRL 方法等价于具有可评估生成器密度的 GAN。这项工作连接了三个研究社区，促进知识转移，有助于开发更稳定和可扩展的算法。