Wasserstein GAN (WGAN)
Der Wasserstein GAN (WGAN) ist eine Variante des generativen adversariellen Netzes, die 2017 von Arjovsky, Chintala und Bottou eingeführt wurde und die Jensen-Shannon-Divergenz, die im ursprünglichen GAN verwendet wird, durch die Wasserstein-1-Distanz (Earth Mover Distance) ersetzt. Diese Substitution bietet ein theoretisch fundiertes Trainingsziel, das eine stabilere Optimierung und einen Verlustwert liefert, der sinnvoll mit der Qualität der generierten Stichproben korreliert, und adressiert die berüchtigten Probleme des Mode Collapses und des verschwindenden Gradienten von Standard-GANs.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/de/deep-learning/wasserstein-gan
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- CycleGANDeep Learning↔ vergleichen
- Diffusion ModelDeep Learning↔ vergleichen
- Generative Adversarial NetworkDeep Learning↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →