Methodenbewijsdossier

Wasserstein GAN

Wasserstein GAN (WGAN) is a generative adversarial network variant introduced by Arjovsky, Chintala, and Bottou in 2017 that replaces the Jensen-Shannon divergence used in the original GAN with the Wasserstein-1 (Earth Mover) distance. This substitution provides a theoretically grounded training objective that yields more stable optimization and a loss value that correlates meaningfully with generated sample quality, addressing the notorious mode collapse and vanishing gradient problems of standard GANs.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Wasserstein GAN (WGAN)

Taxonomisch methodendossier · ml-model / deep-learning

Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. · URL

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Taxonomic bucketCycleGANmachine-suggested · Relational suggestion, not evidence.Same method familyDiffusion Modelmachine-suggested · Relational suggestion, not evidence.Same method familyGenerative Adversarial Networkmachine-suggested · Relational suggestion, not evidence.