Erklärbare GANs
Erklärbare GANs (Explainable GANs) wenden Interpretierbarkeitstechniken auf Generative Adversarial Networks an, um aufzudecken, welche internen Einheiten und latenten Richtungen spezifische visuelle oder strukturelle Merkmale in generierten Ausgaben verursachen. Sie kombinieren GAN-Training mit Post-hoc-Analysewerkzeugen – wie Einheitenzerlegung (unit dissection), Salienz-Karten (saliency maps) oder entwirrte latente Räume (disentangled latent spaces) –, um das Verhalten generativer Modelle transparent und überprüfbar zu machen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/de/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.
- Diffusion ModelDeep Learning↔ compare
- Erklärbare BildklassifikationDeep Learning↔ compare
- Generative Adversarial NetworkDeep Learning↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →