ווסרשטיין GAN (WGAN)
ווסרשטיין GAN (WGAN) הוא וריאנט של רשת יריבות גנרטיבית שהוצג על ידי ארגובסקי, צ'ינטלה ובטו ב-2017, המחליף את דיברג'נס ינסן-שנון (Jensen-Shannon divergence) המשמש ב-GAN המקורי במרחק ווסרשטיין-1 (מרחק תנועת אדמה). החלפה זו מספקת מטרה אימון מבוססת תיאורטית המניבה אופטימיזציה יציבה יותר וערך הפסד המתואם באופן משמעותי עם איכות הדגימות שנוצרו, ובכך פותרת את בעיות קריסת האופנים (mode collapse) וגרדיאנט נעלם (vanishing gradient) המפורסמות של GAN סטנדרטיים.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/he/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: תרגום תמונות ללא זוגות באמצעות עקביות מחזוריתלמידה עמוקה↔ compare
- מודל דיפוזיהלמידה עמוקה↔ compare
- רשת יריבות יוצרת (Generative Adversarial Network)למידה עמוקה↔ compare