Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) on generatiivisen kilpailevan verkon variantti, jonka Arjovsky, Chintala ja Bottou esittelivät vuonna 2017. Se korvaa alkuperäisessä GANissa käytetyn Jensen-Shannonin divergenssin Wasserstein-1 (Earth Mover) -etäisyydellä. Tämä korvaus tarjoaa teoreettisesti perustellun koulutustavoitteen, joka tuottaa vakaamman optimoinnin ja häviöarvon, joka korreloi mielekkäästi generoidun näytteen laadun kanssa, ratkaisten standardi-GANien tunnetut moodiromahdus- ja häviävän gradientin ongelmat.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/fi/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: Parittomien kuvien välinen käännös syklinmukaisuudellaSyväoppiminen↔ compare
- DiffuusiomalliSyväoppiminen↔ compare
- Generatiivinen kilpaileva verkkoSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →