Bidirectional Conditional Generative Adversarial Networks
USC Information Sciences Institute（南加州大学信息科学研究所）
条件生成对抗网络（cGAN）是生成模型，其可以产生以潜在变量（$z$）和已知辅助信息（$c$）为条件的数据样本（$x$）。我们提出了双向cGAN（BiCoGAN），其在生成过程中有效地解开$z$和$c$，并提供了一个编码器，该编码器学习从$x$到$z$和$c$的逆映射，与生成器和训练器联合训练。我们提出了训练BiCoGAN的关键技术，其中涉及外在因素损失以及相关的动态调整的重要性权重。与其他基于编码器的cGAN相比，BiCoGAN更准确地编码$c$，并且更有效地利用$z$和$c$，并且以更不纠缠的方式生成样本。
2018-11-03 cs.LG stat.ML
Conditional Importance Sampling for Off-Policy Learning
DeepMind
本文的主要贡献是基于重要性采样比率的条件期望的离线强化学习的概念框架。这个框架产生了新的观点和理解现有的政策外算法，并揭示了广阔的空间未开发的算法。我们从理论上分析了这个空间，并具体研究了从这个框架中产生的几个算法。
2020-07-30 cs.LG stat.ML
Diversity-Sensitive Conditional Generative Adversarial Networks
University of Michigan（密歇根大学）；Google Brain（谷歌大脑）
我们提出了一种简单而高效的方法，解决了条件生成对抗网络（cGAN）中的模式崩溃问题。虽然条件分布是多模态的（即，在实践中，大多数cGAN方法倾向于学习过度简化的分布，其中输入总是被映射到单个输出，而不管潜在代码的变化。为了解决这个问题，我们建议显式地正则化生成器，以根据潜在代码产生不同的输出。所提出的正则化是简单的，一般的，并且可以很容易地集成到大多数条件GAN目标。此外，生成器上的显式正则化允许我们的方法控制视觉质量和多样性之间的平衡。我们证明了我们的方法在三个条件生成任务：图像到图像的翻译，图像修补，和未来的视频预测的有效性。我们表明，简单地将我们的正则化添加到现有模型中会导致令人惊讶的多样化生成，大大优于以前在每个单独任务中专门设计的多模态条件生成方法。
2019-01-25 cs.LG stat.ML
Mixture Density Conditional Generative Adversarial Network Models (MD-CGAN)
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼量化金融研究所）
生成对抗网络（GANs）近年来受到了极大的关注，特别是在计算机视觉中的应用令人印象深刻。然而，与这些例子相比，GANs在时间序列建模（包括预测）方面的应用更为有限。在这项工作中，我们提出了混合密度条件生成对抗模型（MD-CGAN），重点是时间序列预测。我们表明，我们的模型是能够估计的概率后验分布的预测，并在一组基准方法相比，MD-CGAN模型表现良好，特别是在噪声是一个重要组成部分的情况下观察到的时间序列。此外，通过使用高斯混合模型作为输出分布，MD-CGAN提供了非高斯的后验预测。
2020-12-04 cs.LG stat.ML
Viscos Flows: Variational Schur Conditional Sampling With Normalizing Flows
Huawei R&D UK（华为英国研发中心）；University College London（伦敦大学学院）
我们提出了一种在只有部分观测可用时对预训练的归一化流进行条件采样的方法。我们推导出一个下界的条件变量对数概率使用舒尔补充性质的精神高斯条件采样。我们的推导依赖于分区流的域，以这样一种方式，流的限制子域保持双射，这是至关重要的舒尔补应用程序。从变分条件流的模拟，然后修正到解决一个等式约束。我们的贡献是三方面的：a）我们提供了详细的见解变分分布的选择; b）我们讨论了如何划分流的输入空间，以保持双射性; c）我们提出了一套方法来优化变分分布。我们的数值结果表明，我们的抽样方法可以成功地应用于可逆残差网络的推理和分类。
2021-10-15 cs.LG stat.ML
Generating Adversarial Examples With Conditional Generative Adversarial Net
近年来，深度神经网络在各个领域都取得了重大进展和成功应用，但发现它们容易受到攻击实例的攻击，例如，敌对的例子。现有的攻击方法可以通过向源图像添加小的扰动来生成攻击图像。这些攻击图像可以欺骗分类器，但对人的影响很小。因此，这样的攻击实例难以通过搜索特征空间来生成。如何设计一种有效的、鲁棒的生成方法已成为研究的热点。受对抗实例的启发，本文提出了两种新的生成模型，采用条件生成对抗网络，设计了不同的训练策略，直接生成自适应攻击实例。与常用的方法如快速梯度符号法相比，该模型可以降低生成成本，提高鲁棒性，并且生成攻击实例的运行时间约为五分之一。
2019-03-18 cs.LG stat.ML
Structured Output Learning with Conditional Generative Flows
Virginia Tech（弗吉尼亚理工大学）
传统的结构化预测模型试图学习条件似然，即，p（年）|x），以捕获结构化输出y和输入特征x之间的关系。对于许多模型，计算可能性是棘手的。因此，这些模型很难训练，需要使用替代目标或变分推理来近似可能性。在本文中，我们提出了条件Glow（c-Glow），这是一种用于结构化输出学习的条件生成流。C-Glow受益于基于流的模型计算p（y）的能力|（二）准确、高效。使用c-Glow进行学习不需要替代目标或在训练期间执行推理。一旦经过训练，我们就可以直接有效地生成条件样本。我们开发了一种基于样本的预测方法，它可以利用这一优势进行高效和有效的推理。在我们的实验中，我们在五个不同的任务上测试了c-Glow。C-Glow在某些任务中的表现优于最先进的基线，并在其他任务中预测类似的输出。结果表明，c-Glow是通用的，适用于许多不同的结构化预测问题。
2020-02-27 cs.LG stat.ML
Conditional Independence Testing using Generative Adversarial Networks
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California Los Angeles（加州大学洛杉矶分校）
我们考虑检测条件依赖的假设检验问题，重点是高维特征空间。我们的贡献是一个新的检验统计量，基于生成对抗网络的样本，旨在直接近似编码原假设的条件分布，以最大化功率（真阴性率）的方式。我们表明，这样的方法只需要密度近似是可行的，以确保我们控制第一类错误（误报率），特别是，没有假设需要作出的形式的分布或功能依赖。使用合成模拟与高维数据，我们证明了显着的收益，在竞争的方法的权力。此外，我们还说明了使用我们的测试来发现遗传数据中疾病的因果标记。
2019-12-18 cs.LG stat.ML
TFTF: Training-Free Targeted Flow for Conditional Sampling
Zhili College, Tsinghua University, Beijing, China（清华大学紫荆学院）；Department of Statistics and Data Science, Tsinghua University, Beijing, China（清华大学统计与数据科学系）；Department of Statistics, Harvard University, Cambridge, MA, USA（哈佛大学统计系）
TFTF通过引入随机流和重采样技术，实现无训练条件采样，提升高维和多模态场景下的生成效果。
2026-02-13 cs.LG stat.ML
Conditional molecular design with deep generative models
Sungkyunkwan University（成均馆大学）；New York University（纽约大学）
尽管机器学习已成功地用于提出满足所需性质的新型分子，但有效地探索大的化学空间仍然具有挑战性。在本文中，我们提出了一种条件分子设计方法，有利于产生新的分子所需的性能。所提出的模型，同时进行属性预测和分子生成，是建立在一组现有的分子，只有部分注释的半监督变分自编码器训练。我们通过从模型估计的生成分布中采样来生成具有所需性质的新分子。我们证明了所提出的模型的有效性，通过评估它的药物样分子。该模型通过利用未标记的分子提高了性质预测的性能，并有效地产生满足各种目标条件的新分子。
2018-07-23 cs.LG stat.ML
Classification Accuracy Score for Conditional Generative Models
DeepMind（深度思维）
图像的深度生成模型（DGMs）现在已经足够成熟，它们可以生成近乎真实感的样本，并获得类似于Frechet Inception Distance（FID）等几何学数据分布的分数。这些结果，特别是在ImageNet这样的大规模数据集上，表明DGM正在感知有意义的空间中学习数据分布，并可用于下游任务。为了测试后一个假设，我们使用来自许多模型类的类条件生成模型-变分自编码器，自回归模型和生成对抗网络（GANs）-来推断真实数据的类标签。我们通过仅使用合成数据训练图像分类器并使用分类器来预测真实数据上的标签来执行此推断。这项任务的性能，我们称之为分类准确度得分（CAS），揭示了一些传统指标无法识别的令人惊讶的结果，并构成了我们的贡献。首先，当使用最先进的GAN（BigGAN-deep）时，与原始数据相比，Top-1和Top-5的准确度分别下降了27.9%和41.6%;来自其他模型类的条件生成模型，如矢量量化变分自编码器（VQ-VAE-2）和分层自回归模型（HAM），在此基准测试中的表现大大优于GANs。其次，CAS自动表面生成模型未能捕获数据分布的特定类，并且以前在文献中是未知的。第三，我们发现传统的GAN指标，如初始得分（IS）和FID既不能预测CAS，也不能用于评估非GAN模型。此外，为了便于更好地诊断生成模型，我们开源了所提出的度量。
2019-10-28 cs.LG stat.ML
GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出GDR-learners，通过正交学习生成模型以高效估计潜在结果分布，具备准Oracle效率和双稳健性，实验显示其在估计性能上优于现有方法。
2026-03-11 cs.LG stat.ML
Mode-Aware Continual Learning for Conditional Generative Adversarial Networks
Duke University（杜克大学）
针对条件GAN持续学习中新模式样本有限且易遗忘旧模式的问题，提出基于模式亲和度与标签加权生成、记忆回放的方法，在更少样本下优于现有方法。
2023-09-23 cs.LG stat.ML
Bottleneck Conditional Density Estimation
Stanford University（斯坦福大学）；Adobe Research（Adobe研究院）；DeepMind
我们引入了一个新的框架，用于训练高维条件密度估计的深度生成模型。瓶颈条件密度估计（BCDE）是条件变分自动编码器（CVAE）的变体，其采用随机变量的层作为输入$x$和目标$y$之间的瓶颈，其中两者都是高维的。关键是，我们提出了一种新的混合训练方法，将条件生成模型与联合生成模型相结合。混合混合是BCDE有效训练的关键，它避免了过拟合，并提供了一种利用未标记数据的新机制。我们表明，我们的混合训练过程使模型能够在全监督环境中的MNIST象限预测任务中取得有竞争力的结果，并在MNIST，SVHN和CelebA的半监督制度中设定了新的基准。
2017-06-30 cs.LG stat.ML
Reparameterized Sampling for Generative Adversarial Networks
Peking University（北京大学）
近年来，采样方法已被成功地应用于提高生成对抗网络（GANs）的样本质量。然而，在实践中，它们通常具有较差的采样效率，因为来自生成器的独立建议采样。在这项工作中，我们提出了REP-GAN，一种新的采样方法，允许一般依赖的建议，通过REparameterizing的马尔可夫链的潜在空间的生成器。从理论上讲，我们表明，我们的重新参数化的建议承认一个封闭形式的大都会黑斯廷斯验收比。在人工和真实数据集上的大量实验表明，我们的REP-GAN大大提高了样本效率，同时获得了更好的样本质量。
2021-07-01 cs.LG stat.ML
Information Compensation for Deep Conditional Generative Networks
近年来，无监督/弱监督条件生成对抗网络（GANs）在建模和生成数据方面取得了许多成功。然而，它们的弱点之一在于它们分离或解开表征编码在其潜在空间中的表征的不同因素的能力很差。为了解决这个问题，我们提出了一种新的无监督条件GANs结构，该结构由一种新的信息补偿连接（IC-连接）驱动。所提出的IC连接使GANs能够补偿在去卷积操作期间发生的信息损失。此外，为了量化离散和连续潜变量的解纠缠程度，我们设计了一个新的评估程序。我们的实证结果表明，与有条件生成设置中的最先进的GANs相比，我们的方法实现了更好的解纠缠。
2022-03-06 cs.CV cs.LG stat.ML
Bayesian Conditional Generative Adverserial Networks
The University of Adelaide（阿德莱德大学）；Queensland University of Technology（昆士兰科技大学）；CMU（卡内基梅隆大学）
传统的GANs使用确定性生成器函数（通常是神经网络）将随机噪声输入$z$转换为采样器试图区分的样本$\mathbf{x}$。我们提出了一种新的GAN，称为贝叶斯条件生成对抗网络（BC-GAN），它使用随机生成器函数将确定性输入$y'$转换为样本$\mathbf{x}$。我们的BC-GANs将传统的GANs扩展到贝叶斯框架，并自然地处理无监督学习，监督学习和半监督学习问题。实验表明，所提出的BC-GANs优于最先进的。
2017-06-17 cs.AI cs.LG stat.ML
Latent Constraints: Learning to Generate Conditionally from Unconditional Generative Models
Google Brain（谷歌大脑）；Google Inc.（谷歌公司）
深度生成神经网络已被证明在复杂数据分布的条件和无条件建模方面都是有效的。条件生成支持交互式控件，但创建新控件通常需要昂贵的再培训。在本文中，我们开发了一种方法，条件生成无需重新训练的模型。通过事后学习潜在约束，即识别潜在空间中生成具有所需属性的输出的区域的价值函数，我们可以使用基于梯度的优化或摊销的演员函数从这些区域中有条件地采样。结合属性约束与一个普遍的“现实主义”的约束，这强制相似的数据分布，我们产生现实的条件图像从一个无条件的变分自编码器。此外，使用基于梯度的优化，我们展示了保持身份的变换，使潜在空间中的最小调整，以修改图像的属性。最后，与离散序列的音符，我们展示了zero-shot条件生成，学习潜在的约束条件下的标记数据或可微的奖励函数。具有专用云实例的代码已公开提供（https：//goo.gl/STGMGx）。
2017-12-21 cs.LG cs.NE stat.ML
Double cycle-consistent generative adversarial network for unsupervised conditional generation
Clemson University（克莱姆森大学）
条件生成模型在过去几年中取得了相当大的成功，但通常需要大量的标记数据。最近，聚类器GAN将GAN与编码器相结合，通过无监督条件生成来实现显著的聚类性能。然而，它忽略了数据的真实条件分布，这导致为每个类生成较少多样性的样本，并使编码器只能实现次优聚类性能。在这里，我们提出了一个新的无监督条件生成框架，双循环一致的条件GAN（DC 3-GAN），它可以生成不同的类条件样本。除了生成器-编码器对之外，我们还强制GAN的编码器和生成器形成编码器-生成器对，这使我们能够避免低多样性生成和潜在特征的琐碎性。我们使用真实数据训练编码器-生成器对，它可以间接估计真实的条件分布。同时，该框架强制编码器的输出与GAN的输入和先验噪声分布相匹配，从而将潜在空间分解为两部分：独热离散和连续潜在变量。前者可以直接表示为簇，后者表示剩余的未指定因子。这项工作表明，增强无监督条件生成样本的多样性可以提高聚类性能。在不同基准数据集上的实验结果表明，该方法优于现有的基于生成模型的聚类方法，同时也达到了最优的解纠缠性能.
2021-04-05 cs.CV cs.LG stat.ML
Imputation of Missing Data with Class Imbalance using Conditional Generative Adversarial Networks
缺失数据是现实世界数据集面临的一个常见问题。插补是一种广泛使用的估计缺失数据的技术。最先进的插补方法，如生成对抗插补网络（GAIN），对观察数据的分布进行建模，以近似缺失值。这种方法通常为整个数据集建模单个分布，忽略了数据的类特定特征。当存在类不平衡时，类特定的特征特别有用。我们提出了一种新的方法，通过适应流行的条件生成对抗网络（CGAN）的基础上，其类特定的特征，填补缺失数据。我们的条件生成对抗插补网络（CGAIN）使用特定于类的分布来插补缺失数据，这可以为缺失值产生最佳估计。我们在基准数据集上测试了我们的方法，并与最先进和流行的插补方法相比，取得了优异的性能。
2020-12-01 cs.LG
Towards Recovery of Conditional Vectors from Conditional Generative Adversarial Networks
条件生成对抗网络允许生成以某些外部信息为条件的样本。能够从条件GAN恢复潜在和条件向量在各种应用中可能是有价值的，从用于娱乐目的的图像操纵到用于安全目的的神经网络的诊断。在这项工作中，我们表明，它是可能的，以恢复潜在的和条件向量从生成的图像给定的生成器的条件生成对抗网络。由于深度神经网络通常具有多层非线性，因此这种恢复并非微不足道。此外，这种恢复应用于实际的自然图像的效果进行了研究。我们发现，生成的图像和真实图像的恢复性能之间存在差距，我们认为这是由于生成的数据分布和真实数据分布之间的差异。实验进行了评估恢复的条件向量和重建图像从这些恢复的矢量定量和定性，显示出可喜的成果。
2017-12-06 cs.CV cs.LG
Why Are Conditional Generative Models Better Than Unconditional Ones?
Tsinghua University（清华大学）；Renmin University of China（中国人民大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
大量的经验证据表明，条件生成模型更容易训练，并通过利用数据的标签比无条件的表现更好。基于分数的扩散模型也是如此。本文对这一现象进行了形式化的分析，指出条件学习的关键是对数据进行合理的划分。受分析的启发，我们提出了自适应扩散模型（SCDM），这是训练条件上的索引聚类的k-means算法的特征提取的模型预训练在一个自我监督的方式。SCDM显著改进了跨各种数据集的无条件模型，并在ImageNet 64 x64上实现了3.94的破纪录FID。此外，SCDM在CIFAR 10上获得了比相应条件模型稍好的FID。
2022-12-01 cs.LG
Conditional Sampling with Monotone GANs: from Generative Models to Likelihood-Free Inference
California Institute of Technology（加州理工学院）；University of Washington（华盛顿大学）；NVIDIA（英伟达）；Massachusetts Institute of Technology（麻省理工学院）
本文提出基于分块三角传输映射的条件采样框架，构建 Banach 空间理论并设计仅依赖联合样本的无似然 M-GAN，在逆问题与图像修复中实现准确条件采样。
2023-06-05 cs.LG stat.CO stat.ML
Generative Adversarial Networks with Conditional Neural Movement Primitives for An Interactive Generative Drawing Tool
Bogazici University（博阿齐奇大学）
素描是视觉感知和视觉空间建构的抽象表现。在这项工作中，我们提出了一个新的框架，生成对抗网络与条件神经运动原语（GAN-CNMP），它结合了一种新的对抗损失CNMP，以提高草图的平滑性和一致性。通过实验，我们证明了该模型可以用较少的未标记样本进行训练，可以在潜在空间中自动构造分布，并且在形状一致性和平滑性方面比基本模型产生更好的结果。
2021-12-21 cs.AI cs.CV cs.GR
Open Set Recognition with Conditional Probabilistic Generative Models
Nanyang Technological University（南洋理工大学）
深度神经网络在广泛的视觉理解任务中取得了突破。阻碍其现实应用的一个典型挑战是，在测试阶段可能会将未知样本输入系统，但传统的深度神经网络会错误地将这些未知样本识别为已知类别之一。开集识别（Open Set Recognition，OSR）是解决这一问题的一种有效方法，它要求开集分类器具有拒绝未知样本的灵活性，同时在已知类别中保持较高的分类精度。概率生成模型，如变分自编码器（VAE）和对抗性自编码器（AAE），是检测未知数的流行方法，但它们不能为已知分类提供判别表示。在本文中，我们提出了一个新的框架，称为条件概率生成模型（CPGM），开集识别。我们工作的核心见解是将判别信息添加到概率生成模型中，使得所提出的模型不仅可以检测未知样本，还可以通过强制不同的潜在特征近似条件高斯分布来分类已知类别。我们讨论了许多模型变体，并提供了全面的实验来研究它们的特性。在多个基准数据集上的实验结果表明，该方法的性能明显优于基线，达到了新的最先进的性能。
2021-02-09 cs.CV cs.LG stat.ML
Improving Sampling from Generative Autoencoders with Markov Chains
Imperial College London（帝国理工学院）
我们专注于生成式自动编码器，例如变分或对抗式自动编码器，它们与推理模型一起共同学习生成模型。生成式自动编码器是那些被训练成对由推理模型学习的潜在分布柔和地实施先验的自动编码器。我们将推理模型映射到观察样本的分布称为学习的潜在分布，它可能与先验不一致。我们制定了一个马尔可夫链蒙特卡罗（MCMC）采样过程，相当于迭代解码和编码，这使我们能够从学习的潜在分布中采样。由于生成模型从学习的潜在分布而不是先验学习映射，因此我们可以使用MCMC来提高从生成模型提取的样本的质量，特别是当学习的潜在分布远离先验时。使用MCMC采样，我们能够揭示使用或不使用去噪标准训练的生成式自动编码器之间以前看不见的差异。
2017-01-12 cs.AI cs.LG stat.ML
Score-based Generative Modeling for Conditional Independence Testing
Fudan University（复旦大学）；Alibaba Group（阿里巴巴集团）；SIAT, Chinese Academy of Sciences（中国科学院软件研究所）；Tongji University（同济大学）
针对现有基于生成模型的条件独立性测试在条件分布建模和训练稳定性上的不足，提出基于分数的生成建模方法，通过切片条件分数匹配和Langevin动力学采样实现精确的第一类错误控制与强测试功效，实验证明其显著优于现有方法。
2025-05-29 cs.AI cs.LG
Phase Retrieval Using Conditional Generative Adversarial Networks
Heinrich Heine University Düsseldorf（海因里希·海涅大学）
在本文中，我们提出了应用条件生成对抗网络来解决各种相位恢复问题。我们表明，包括在训练时的测量过程的知识，导致在测试时的优化，是更强大的初始化比现有的方法，涉及生成模型。此外，根据测量值调节发电机网络使我们能够获得更详细的结果。我们的经验表明，这些优势提供了有意义的解决方案的傅立叶和压缩相位恢复问题，我们的方法优于完善的基于投影的方法，以及现有的方法是基于神经网络。与其他深度学习方法一样，我们的方法对噪声非常鲁棒，因此对于现实世界的应用非常有用。
2020-07-08 cs.CV cs.LG eess.IV
Continuous Conditional Generative Adversarial Networks (cGAN) with Generator Regularization
University of California, Berkeley（加州大学伯克利分校）
已知条件生成对抗网络难以训练，特别是当条件是连续的和高维的时。为了部分缓解这一困难，我们提出了一个简单的发电机正则化项的GAN发电机损失的形式Lipschitz惩罚。因此，当生成器被馈送有连续空间中的相邻条件时，正则化项将利用相邻信息并推动生成器生成对于每个相邻条件具有类似条件分布的样本。我们分析了所提出的正则化项的效果，并在一系列合成和现实世界的任务上证明了其鲁棒性能。
2021-03-27 cs.CV cs.LG
Robust Conditional Generative Adversarial Networks
Imperial College London（帝国理工学院）
条件生成对抗网络（cGAN）已经在条件图像生成任务方面取得了很大的改进，这是计算机视觉的核心。到目前为止，主要的重点是性能改进，而在使cGAN对噪声更具鲁棒性方面几乎没有做出任何努力。（发生器的）回归可能会导致输出中的任意大的误差，这使得cGAN对于现实世界的应用程序不可靠。在这项工作中，我们引入了一种新的条件GAN模型，称为RoCGAN，它利用模型的目标空间中的结构来解决这个问题。我们的模型用一个无监督的路径来增强生成器，即使在存在强烈噪声的情况下，它也会促进生成器的输出跨越目标流形。我们证明了RoCGAN具有与GAN相似的理论特性，并通过实验验证了我们的模型在包括自然场景和人脸图像在内的各种领域中的性能都大大优于现有的最先进的cGAN架构。
2019-03-13 cs.AI cs.CV cs.LG
Improving brain computer interface performance by data augmentation with conditional Deep Convolutional Generative Adversarial Networks
脑机接口领域的一个很大的限制是训练样本非常有限，很难用这样有限的数据建立一个可靠的可用系统。为了提高卷积神经网络在脑机接口领域中的性能，克服训练数据集小的问题，受生成对抗网络的启发，提出了一种条件深度卷积生成对抗网络（cDCGAN）方法，自动生成更多的人工脑电信号用于数据增强。我们在运动想象的BCI竞争数据集上评估了所提出的cDCGAN方法。实验结果表明，从高斯噪声中生成的人工脑电数据能够学习到原始脑电数据的特征，并且在测试数据集中具有不低于原始脑电数据的分类精度。同时，在训练数据有限的情况下，利用生成的人工数据可以有效地提高同一模型的分类精度。
2018-12-27 cs.HC cs.LG q-bio.NC
Federated Conditional Conformal Prediction via Generative Models
针对联邦场景下客户端分布异质导致标准 CP 条件覆盖失效的问题，本文提出 Fed-CCP，利用归一化流或扩散模型在不共享原始数据的情况下近似条件分布并本地校准保形分数，实验表明其可生成更具适应性的预测集。
2025-10-20 cs.LG
cMelGAN: An Efficient Conditional Generative Model Based on Mel Spectrograms
University of Toronto（多伦多大学）
在机器学习领域分析音乐是一个非常困难的问题，需要考虑许多限制。音频数据的性质，其非常高的维度和广泛变化的结构尺度，是它如此难以建模的主要原因之一。机器学习在音乐中有许多应用，例如对一段音乐的情绪进行分类，有条件的音乐生成或流行预测。该项目的目标是开发一个基于Mel声谱图的音乐体裁条件生成模型，并通过将其与使用基于音符表示的现有生成音乐模型进行比较来评估其性能。我们最初实现了一个自回归的、基于RNN的生成模型，称为MelNet。然而，由于其速度慢且输出保真度低，我们决定创建一种新的全卷积架构，该架构基于Mel GAN [4]和条件GAN架构，称为cMel GAN。
2022-05-15 cs.AI cs.LG cs.SD
Bayesian Inverse Problems with Conditional Sinkhorn Generative Adversarial Networks in Least Volume Latent Spaces
University of Maryland（马里兰大学）；General Electric Vernova Advanced Research（通用电气维诺瓦先进研究院）
本文提出一种基于最小体积降维的潜条件Sinkhorn生成对抗网络框架，用于高效训练并解决高维非线性贝叶斯逆问题，在ODE参数反演和地下水流高维水力传导率反演中验证了其有效性。
2024-05-22 cs.LG
Full-body High-resolution Anime Generation with Progressive Structure-conditional Generative Adversarial Networks
DeNA Co., Ltd.（DeNA株式会社）
我们提出了渐进式结构条件生成对抗网络（PSGAN），这是一个新的框架，可以根据结构信息生成全身和高分辨率的字符图像。具有渐进式训练的生成对抗网络的最新进展使得生成高分辨率图像成为可能。然而，现有的方法在同时实现高图像质量和结构一致性方面具有局限性。我们的方法通过在训练过程中逐步提高生成图像和结构条件的分辨率来解决这些限制。在本文中，我们经验证明了这种方法的有效性，显示与现有的方法和视频生成结果的不同动漫人物在1024x1024的目标姿态序列的基础上的比较。我们还使用Unity 3D Avatar模型创建了一个包含全身1024x1024高分辨率图像和精确2D姿势关键点的新数据集。
2018-09-06 cs.CV cs.GR cs.LG
Crash Data Augmentation Using Conditional Generative Adversarial Networks (CGAN) for Improving Safety Performance Functions
University of Waterloo（滑铁卢大学）
本文提出了一种基于条件生成对抗网络的碰撞频率数据增强方法，以改进碰撞频率模型。所提出的方法进行评估，通过比较性能的基本SPF（使用原始数据开发）和增强SPF（使用原始数据加上合成数据开发）的热点识别性能，模型预测精度，和分散参数估计精度。使用模拟和真实世界的碰撞数据集进行实验。结果表明，CGAN合成的碰撞数据与原始数据具有相同的分布，增强的SPFs在几乎所有方面都优于基本SPFs，特别是当分散参数较低时。
2021-12-21 cs.LG stat.AP
PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design
Massachusetts Institute of Technology（麻省理工学院）；Siemens Corporate Technology（西门子企业技术部）
工程设计任务通常需要综合满足所需性能要求的新设计。传统的设计过程需要迭代优化和性能评估，速度慢，并且依赖于初始设计。过去的工作使用条件生成对抗网络（cGAN）来实现给定目标性能的直接设计合成。然而，大多数现有的cGAN仅限于分类条件。连续条件GAN（Cc GAN）的最新研究试图解决这个问题，但仍然面临两个挑战：1）它在非均匀性能分布上表现不佳，以及2）生成的设计可能无法覆盖整个设计空间。我们提出了一个新的模型，命名为性能条件多样性生成对抗网络（PcDGAN），它引入了一个奇异的邻域损失相结合的一个决定性点过程（DPP）的损失函数，以提高多样性。PcDGAN使用一种新的自我强化评分，称为Lambert对数指数转换评分（LLETS），以改善条件反射。综合问题和真实世界的翼型设计问题的实验表明，PcD GAN优于国家的最先进的GAN模型，并提高了69%，在翼型生成任务和合成条件生成任务的调节可能性高达78%，并实现更大的设计空间覆盖。所提出的方法使有效的设计综合和设计空间探索的应用范围从CAD模型生成到超材料的选择。
2021-06-07 cs.LG
Improving Conditional Sequence Generative Adversarial Networks by Stepwise Evaluation
Department of Electrical Engineering, National Taiwan University（台湾大学电机工程学系）
序列生成对抗网络（SeqGAN）已被用于改进条件序列生成任务，例如，闲聊对话生成。为了稳定SeqGAN的训练，使用蒙特卡罗树搜索（MCTS）或每生成步骤的奖励（REGS）来评估生成的子序列的优良性。MCTS是计算密集型的，但是REGS的性能比MCTS差。在本文中，我们提出了逐步GAN（StepGAN），其中修改的卷积自动分配分数量化每个子序列在每个生成步骤的善良。StepGAN的计算成本明显低于MCTS。我们证明StepGAN在合成实验和聊天对话生成方面都优于以前的基于GAN的方法。
2019-02-11 cs.CL stat.ML
Designing nanophotonic structures using conditional-deep convolutional generative adversarial networks
Pohang University of Science and Technology (POSTECH)（浦项科技大学）
基于深度学习的数据驱动设计方法已被引入纳米光子学，以减少耗时的迭代模拟，这一直是一个重大挑战。在这里，我们报告了第一次使用条件深度卷积生成对抗网络来设计不受预定义形状约束的纳米光子天线。对于给定的输入反射光谱，网络生成图像形式的理想设计;这种形式允许建议不能由结构参数表示的新结构。从生成的设计得到的仿真结果与输入反射谱吻合得很好。这种方法通过提供一种快速方便的方法来设计具有所需光学特性的复杂纳米光子结构，为纳米光子学的发展开辟了新的途径。
2019-03-20 cs.LG physics.optics
Occluded object reconstruction for first responders with augmented reality glasses using conditional generative adversarial networks
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
消防员遭受各种危及生命的风险，包括执勤死亡，受伤和暴露于危险物质。支持减少这些风险是重要的。我们建立了一个部分闭塞的对象重建方法的增强现实眼镜的第一反应。我们使用基于条件生成对抗网络的深度学习来训练易燃和危险物体的各种图像与其部分遮挡的对应物之间的关联。然后，我们的系统重建了新易燃物体的图像。最后，将重建图像叠加在输入图像上以提供“透明度”。该系统通过学习易燃物体的形状和火焰特性，模仿人类通过经验学习物理定律。
2018-04-20 cs.CV cs.LG
Zero-Shot Learning of a Conditional Generative Adversarial Network for Data-Free Network Quantization
Samsung Semiconductor Inc.（三星半导体公司）
本文提出了一种新的不使用训练数据训练条件生成对抗网络（CGAN）的方法，称为CGAN的零样本学习（Z-CGAN）。条件生成器的零样本学习只需要预先训练的判别（分类）模型，而不需要任何训练数据。具体地，条件生成器被训练以通过使用存储在预训练模型的批量归一化层中的统计数据来产生其特性模仿原始训练数据的标记的合成样本。我们展示了EST-CGAN在深度神经网络的无数据量化中的有用性。我们实现了在ImageNet数据集上训练的ResNet和MobileNet分类模型的最先进的无数据网络量化。无数据的量化使用EST-CGAN显示出最小的损失相比，通过传统的数据相关的量化获得的精度。
2022-10-26 cs.CV cs.LG cs.NE
Direct Conditional Transition Sampling for Diffusion Inverse Problems
School of Information Science and Technology, Beijing Foreign Studies University（北京外国语大学信息科学与技术学院）
提出直接条件转移采样（DCTS），通过随机流近似实现免训练扩散逆求解器的全局校正，在四个逆问题上达到竞争性重建质量并提速16.8倍。
2026-09-15 cs.CV stat.ML
Conditional Image Generation with Pretrained Generative Model
Oregon State University（俄勒冈州立大学）
本文旨在减少预训练扩散模型在条件图像生成中引入引导的时间和计算开销，提出基于实证分析的方法，实现约三倍的计算时间缩减，同时保持图像质量。
2023-12-20 cs.AI cs.CV cs.LG
Painting on Placement: Forecasting Routing Congestion using Conditional Generative Adversarial Nets
Cornell University（康奈尔大学）
对于大型设计，物理设计过程通常需要花费数小时到数天的时间，而布线被认为是最关键的步骤。对精确路由质量预测的需求提高到一个新的水平，以加速先进技术节点的硬件创新。这项工作提出了一种方法，预测密度的所有路由通道在整个平面图，功能收集到放置，使用条件GANs。具体地说，预测路由拥塞被构造为一个图像翻译（着色）问题。所提出的方法被应用到a）最小拥塞的布局探索，b）受约束的布局探索和c）在增量布局过程中实时预测拥塞，使用八个设计针对一个固定的FPGA架构。
2019-04-15 cs.CV cs.LG
Anomaly Detection of Adversarial Examples using Class-conditional Generative Adversarial Networks
Pennsylvania State University（宾夕法尼亚州立大学）
深度神经网络（DNN）已被证明容易受到测试时规避攻击（TTE或对抗性示例）的影响，这些攻击通过对输入进行微小的更改，改变DNN的决策。我们提出了一种基于类条件生成对抗网络（GANs）的DNN分类器的无监督攻击检测器。我们通过辅助分类器GAN（AC-GAN）对预测类标签条件下的干净数据的分布进行建模。给定测试样本及其预测类，基于AC-GAN生成器和鉴别器计算三个检测统计量。在各种TTE攻击下的图像分类数据集上的实验表明，该方法优于以往的检测方法。我们还研究了使用不同DNN层（输入特征或内部层特征）进行异常检测的有效性，并证明，正如人们所料，使用更接近DNN输出层的特征更难检测到异常。
2022-05-12 cs.LG eess.IV
Conditional Generative Models for Learning Stochastic Processes
Deloitte Consulting, LLP（德勤咨询有限责任合伙公司）；IBM Quantum, IBM Research（IBM研究院IBM量子部门）
本文提出条件量子生成对抗网络（C-qGAN）框架，通过量子电路内的神经网络结构实现更高效的状态准备，并成功应用于加速蒙特卡洛分析及亚式期权衍生品定价。
2023-08-10 cond-mat.mtrl-sci cs.LG q-fin.CP
Deep Learning Convective Flow Using Conditional Generative Adversarial Networks
Carnegie Mellon University（卡内基梅隆大学）
本文提出FluidGAN，一个数据驱动的条件生成对抗网络框架，用于学习和预测与能量传输耦合的对流流动，无需物理先验知识，并捕捉速度、压力与温度场的耦合。
2023-06-18 cs.LG physics.comp-ph physics.flu-dyn
A Conditional Distribution Equality Testing Framework using Deep Generative Learning
Department of Industrial Systems Engineering and Management, Nationalal University of Singapore（工业系统工程与管理系，新加坡国立大学）；Department of Statistics and Data Science, The Chinese University of Hong Kong（统计与数据科学系，香港中文大学）
本文提出基于深度生成学习的条件分布相等性检验框架，通过转换条件检验问题为无条件问题，结合生成分类准确度方法，验证了在协变量偏移和因果发现中的有效性。
2025-11-26 cs.LG math.ST stat.ME
A Theory for Conditional Generative Modeling on Multiple Data Sources
Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学人工智能学院）；Beijing Key Laboratory of Research on Large Models（北京大型模型研究关键实验室）；Engineering Research Center of Next-Generation Intelligent Search（下一代智能搜索与推荐工程技术研究中心）；School of Software, Shandong University, Shandong, China（软件学院，山东大学）
本文首次从理论上分析条件生成建模中的多源训练，基于括号数建立分布估计误差界，证明源相似时多源训练优于单源训练，并通过模拟和实验验证。
2025-07-08 cs.AI cs.LG
Image Manipulation with Natural Language using Two-sidedAttentive Conditional Generative Adversarial Network
Saarland University（萨尔大学）
使用照片编辑工具更改图像的内容对于没有经验的用户来说是一项繁琐的任务。特别是，当修改图像中的特定对象的视觉属性而不影响其他成分，如背景等，以简化图像操作的过程，并提供更多的控制给用户，最好是利用一个更简单的接口，如自然语言。因此，在本文中，我们解决的挑战，操纵图像使用自然语言描述。我们提出了双边缘注意条件生成对抗网络（TEA-cGAN）来生成语义操纵的图像，同时保留其他内容，如背景完整。TEA-cGAN在基于生成对抗网络（GAN）的框架的生成器和搜索引擎中以不同的尺度使用细粒度注意力。实验结果表明，TEA-cGAN生成的128 x128和256 x256分辨率图像在CUB和Oxford-102数据集上的定量和定性性能均优于现有方法。
2019-12-16 cs.CL cs.CV cs.LG
Emotion Detection Using Conditional Generative Adversarial Networks (cGAN): A Deep Learning Approach
本文提出基于条件生成对抗网络（cGAN）的多模态情感检测方法，整合文本、音频和面部表情，生成合成数据提升分类准确性，显著优于基线模型，增强人机交互的情感理解。
2025-08-06 cs.HC cs.LG cs.NE
Markov Chain Monte Carlo sampling for conditional tests: A link between permutation tests and algebraic statistics
我们考虑非负离散指数族的条件检验。我们开发了两个马尔可夫链蒙特卡罗（MCMC）算法，使我们能够从条件空间采样，并进行近似测试。第一种算法是基于Sturmfels描述的MCMC采样。第二MCMC采样包括在一个更有效的算法，利用条件空间的最佳分区到轨道的排列。因此，我们建立了一个标准的置换和代数统计为基础的采样之间的联系。通过模拟研究，我们比较了精确的累积分布函数（cdf）与近似cdf，这是由两个MCMC抽样和标准排列抽样得到的。我们的结论是MCMC采样利用的条件空间到排列轨道的分区给出了一个估计的cdf，在$H_0$，这是更可靠的，收敛到确切的cdf与最少的步骤。这种采样技术也可以用来建立一个近似的精确cdf时，其精确计算是计算上不可行的。
2017-07-26 stat.CO
A Progressive Conditional Generative Adversarial Network for Generating Dense and Colored 3D Point Clouds
University of Texas at Arlington（得克萨斯大学阿灵顿分校）
在本文中，我们介绍了一种新的条件生成对抗网络，它可以以无监督的方式为各类对象创建密集的3D点云。为了克服在高分辨率下捕获复杂细节的困难，我们提出了一个点Transformer，它通过使用图形卷积来逐步增长网络。该网络由一个叶输出层和一组初始分支组成。每次训练迭代都将点向量演化为分辨率不断提高的点云。在固定次数的迭代之后，通过复制最后一个分支来增加分支的数量。实验结果表明，我们的网络能够学习和模仿3D数据分布，并在多个分辨率下生成具有精细细节的彩色点云。
2020-10-12 cs.AI cs.CV cs.LG
What-If Decision Support for Product Line Extension Using Conditional Deep Generative Models
Graduate School of Economics and Management, Tohoku University（东北大学经济学研究科）
本文提出基于条件深度生成模型的产品线扩展假设决策支持框架，通过生成合成消费者特征分布，有效评估产品设计风险并识别目标市场。
2025-12-22 cs.AI cs.IR cs.LG
