Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) ir ģeneratīvā pretstatījuma tīkla (generative adversarial network) variants, ko 2017. gadā ieviesa Arjovsky, Chintala un Bottou. Tas aizstāj sākotnējā GAN izmantoto Džensena-Šenona divergences vietā ar Vaseršteina-1 (Zemes pārvietotāja) attālumu. Šī substitūcija nodrošina teorētiski pamatotu apmācības mērķi, kas nodrošina stabilāku optimizāciju un zuduma vērtību, kas jēgpilni korelē ar ģenerēto paraugu kvalitāti, tādējādi novēršot standarta GAN bēdīgi slavenās režīma sabrukuma (mode collapse) un izzūdošā gradienta (vanishing gradient) problēmas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/lv/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: Neatkarīga attēlu pārtulkošana ar ciklisko konsekvenciDziļā mācīšanās↔ compare
- Modelis difūzijaDziļā mācīšanās↔ compare
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →