Machine learningDeep learning / NLP / CV
설명 가능한 GAN
설명 가능한 GAN은 생성적 적대 신경망(GAN)에 해석 가능성 기법을 적용하여 생성된 출력물에서 특정 시각적 또는 구조적 특징을 유발하는 내부 단위와 잠재 방향을 밝혀냅니다. 이는 GAN 훈련과 단위 해부(unit dissection), 살리언시 맵(saliency map), 또는 분리된 잠재 공간(disentangled latent space)과 같은 사후 분석 도구를 결합하여 생성 모델의 동작을 투명하고 감사 가능하게 만듭니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/ko/deep-learning/explainable-gan
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
나란히 비교하기 →