Machine learningGenerative models
Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN)は、Arjovsky、Chintala、およびBottouによって2017年に導入された敵対的生成ネットワークの変種であり、オリジナルのGANで使用されていたJensen-ShannonダイバージェンスをWasserstein-1（Earth Mover）距離に置き換えています。この置換により、より安定した最適化と、生成されたサンプルの品質と意味のある相関を持つ損失値をもたらす、理論的に根拠のある訓練目的が提供され、標準的なGANの悪名高いモード崩壊や勾配消失の問題に対処します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
このページの引用方法
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/ja/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：サイクル整合性を用いたペアなし画像間翻訳深層学習↔ compare
- 拡散モデル深層学習↔ compare
- Generative Adversarial Network深層学習↔ compare