Wasserstein GAN (WGAN)
Το Wasserstein GAN (WGAN) είναι μια παραλλαγή γενεσιουργού ανταγωνιστικού δικτύου (generative adversarial network) που εισήχθη από τους Arjovsky, Chintala και Bottou το 2017, αντικαθιστώντας την απόκλιση Jensen-Shannon που χρησιμοποιείται στο αρχικό GAN με την απόσταση Wasserstein-1 (Earth Mover). Αυτή η αντικατάσταση παρέχει έναν θεωρητικά θεμελιωμένο στόχο εκπαίδευσης που οδηγεί σε πιο σταθερή βελτιστοποίηση και σε τιμή απώλειας που συσχετίζεται ουσιαστικά με την ποιότητα των παραγόμενων δειγμάτων, αντιμετωπίζοντας τα διαβόητα προβλήματα κατάρρευσης τρόπων (mode collapse) και εξαφανιζόμενης κλίσης (vanishing gradient) των τυπικών GAN.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/el/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: Μετάφραση Εικόνων χωρίς Αντιστοίχιση με Κυκλική ΣυνέπειαΒαθιά Μάθηση↔ compare
- Μοντέλο ΔιάχυσηςΒαθιά Μάθηση↔ compare
- Γενετικό Ανταγωνιστικό ΔίκτυοΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →