生成对抗网络中极小 - 极大优化问题的高斯 - 牛顿方法

提出将 GAN 优化问题转化为广义变分不等式的方法，扩展了变分不等式优化技术用于 GAN 的训练。

将生成式对抗网络的 minimax 博弈与凸优化问题中的 Lagrangian 函数的鞍点联系起来，展示了标准 GAN 训练过程与凸优化的联系。

提出新的目标函数以解决模式塌陷和生成多样化的问题，实验结果显示该方法的有效性。

提出 GDA-AM 优化框架，利用 Anderson 混合算法加速 GDA 收敛，并证明在较温和条件下实现全局收敛。

基于 ADAM 和 RMSprop 的二阶梯度方法用于 GAN 训练，生成图像质量更好，且可比较的 Inception 分数。

对随机梯度方法在极小极大问题中的泛化能力进行全面分析，建立稳定性与泛化能力之间的定量联系。

研究黑盒环境下的有约束鲁棒优化问题，采用 ZO-Min-Max 框架，探索黑盒最小 - 最大优化与攻击之间的联系。

提出不依赖于传统极小 - 极大公式的生成式对抗方法理论，展示在强辨别器下的生成器学习效果。

研究生成式对抗网络的训练动态及其梯度下降算法的极小极大博弈，提出新的 simGD 算法。

提出 Chekhov GAN 训练方法，将 GAN 训练视为零和博弈中的混合策略，理论和实践证明其收敛性。

研究基于核的判别器训练 GAN 的过程，探讨学习率、正则化和带宽对局部收敛速度的影响。