Wasserstein GAN (WGAN)

Wasserstein GAN (WGAN) er en variant af generative adversarial networks, introduceret af Arjovsky, Chintala og Bottou i 2017, som erstatter Jensen-Shannon-divergensen, der blev brugt i den originale GAN, med Wasserstein-1 (Earth Mover)-afstanden. Denne substitution giver et teoretisk funderet træningsmål, der resulterer i mere stabil optimering og en tabsværdi, der meningsfuldt korrelerer med kvaliteten af de genererede prøver, og adresserer de berygtede problemer med mode collapse og vanishing gradient i standard GAN'er.