Wasserstein GAN (WGAN)
A Wasserstein GAN (WGAN) egy generatív ellenséges hálózat variáns, amelyet Arjovsky, Chintala és Bottou vezetett be 2017-ben, és amely az eredeti GAN-ban használt Jensen-Shannon divergenciát a Wasserstein-1 (földmozgató) távolsággal helyettesíti. Ez a helyettesítés elméletileg megalapozott képzési célt biztosít, amely stabilabb optimalizálást és olyan veszteségértéket eredményez, amely értelmesen korrelál a generált minták minőségével, kezelve a standard GAN-ok hírhedt módusösszeomlási és eltűnő gradiens problémáit.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/hu/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: Párosítatlan Kép-Kép Fordítás CikluskonzisztenciávalMélytanulás↔ compare
- Modell (mélytanulás)Mélytanulás↔ compare
- Generative Adversarial NetworkMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →