GAN yang Dapat Dijelaskan
GAN yang Dapat Dijelaskan menerapkan teknik interpretasi pada Jaringan Generatif Adversarial untuk mengungkap unit internal dan arah laten mana yang menyebabkan fitur visual atau struktural spesifik dalam keluaran yang dihasilkan. Ini menggabungkan pelatihan GAN dengan alat analisis pasca-hoc — seperti pembedahan unit, peta saliency, atau ruang laten yang terurai — untuk membuat perilaku model generatif transparan dan dapat diaudit.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/id/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.
- Model DifusiPembelajaran Mendalam↔ compare
- Klasifikasi Citra yang Dapat DijelaskanPembelajaran Mendalam↔ compare
- Jaringan Adversarial GeneratifPembelajaran Mendalam↔ compare
- Variational AutoencoderPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →