Обясним ГАН
Обяснимият ГАН прилага техники за интерпретируемост към Генеративни състезателни мрежи (GAN), за да разкрие кои вътрешни единици и латентни посоки причиняват специфични визуални или структурни характеристики в генерираните резултати. Той комбинира обучение на ГАН с инструменти за последващ анализ — като дисекция на единици, карти на значимост или разплетени латентни пространства — за да направи поведението на генеративния модел прозрачно и подлежащо на одит.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Bau, D., Zhu, J.-Y., Strobelt, H., Zhou, B., Tenenbaum, J. B., Freeman, W. T., & Torralba, A. (2019). GAN Dissection: Visualizing and Understanding Generative Adversarial Networks. In Proceedings of the International Conference on Learning Representations (ICLR 2019). link ↗
- Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Nets. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/bg/deep-learning/explainable-gan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Дифузионен моделДълбоко обучение↔ compare
- Обяснима класификация на изображенияДълбоко обучение↔ compare
- Генеративна състезателна мрежаДълбоко обучение↔ compare
- Вариационен автоенкодерДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →