Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) е вариант на генеративна състезателна мрежа, въведен от Arjovsky, Chintala и Bottou през 2017 г., който замества дивергенцията на Jensen-Shannon, използвана в оригиналния GAN, с разстоянието на Wasserstein-1 (Earth Mover). Тази замяна осигурява теоретично обоснована цел за обучение, която води до по-стабилна оптимизация и стойност на загубата, която корелира смислено с качеството на генерираните образци, справяйки се с печално известните проблеми на модалния колапс и изчезващите градиенти на стандартните GAN.
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
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/bg/deep-learning/wasserstein-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.
- CycleGAN: превод на изображения без двойки чрез циклична съответствиеДълбоко обучение↔ compare
- Дифузионен моделДълбоко обучение↔ compare
- Генеративна състезателна мрежаДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →