Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) is een variant van generatieve adversariële netwerken, geïntroduceerd door Arjovsky, Chintala en Bottou in 2017, die de Jensen-Shannon divergentie, gebruikt in de oorspronkelijke GAN, vervangt door de Wasserstein-1 (Earth Mover) afstand. Deze substitutie biedt een theoretisch gefundeerde trainingsdoelstelling die resulteert in stabielere optimalisatie en een verlieswaarde die zinvol correleert met de kwaliteit van de gegenereerde samples, waarmee de beruchte problemen van mode collapse en verdwijnende gradiënten van standaard GANs worden aangepakt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/nl/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: Ongepaarde Beeld-naar-Beeldvertaling met CyclusconsistentieDeep learning↔ compare
- Diffusion ModelDeep learning↔ compare
- Generatief Adversarieel NetwerkDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →