Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) je variantou generativní adverzní sítě představenou Arjovským, Chintalou a Bottou v roce 2017, která nahrazuje Jensen-Shannonovu divergenci použitou v původním GANu vzdáleností Wasserstein-1 (Earth Mover). Tato substituce poskytuje teoreticky podložený tréninkový cíl, který umožňuje stabilnější optimalizaci a hodnotu ztráty, jež smysluplně koreluje s kvalitou generovaných vzorků, čímž řeší notoricky známé problémy kolapsu módů a mizejících gradientů standardních GANů.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/cs/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.
- CycleGANHluboké učení↔ compare
- Difuzní modelHluboké učení↔ compare
- Generativní adversariální síťHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →