GAN Explicable
El GAN Explicable aplica técnicas de interpretabilidad a las Redes Generativas Antagónicas (GAN) para revelar qué unidades internas y direcciones latentes causan características visuales o estructurales específicas en las salidas generadas. Combina el entrenamiento de GAN con herramientas de análisis post-hoc —como disección de unidades, mapas de saliencia o espacios latentes desentrelazados— para hacer que el comportamiento del modelo generativo sea transparente y auditable.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/es/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.
- Modelo de difusiónAprendizaje profundo↔ compare
- Clasificación de Imágenes ExplicableAprendizaje profundo↔ compare
- Red Generativa AntagónicaAprendizaje profundo↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →