Forklarbar GAN
Forklarbar GAN anvender fortolkningsmetoder på Generative Adversarial Networks for å avdekke hvilke interne enheter og latente retninger som forårsaker spesifikke visuelle eller strukturelle trekk i genererte utdata. Den kombinerer GAN-trening med post-hoc analyse-verktøy – som enhetsdisseksjon, saliency maps eller disentangled latent spaces – for å gjøre generativ modelladferd transparent og reviderbar.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/no/deep-learning/explainable-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.
- DiffusjonsmodellDyp læring↔ compare
- Forklarbar bildeklassifiseringDyp læring↔ compare
- Generativt motsetningsnettverkDyp læring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →