Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) to wariant generatywnych sieci antagonistycznych (GAN) wprowadzony przez Arjovsky’ego, Chintalę i Bottou w 2017 roku, który zastępuje dywergencję Jensena-Shannona używaną w oryginalnych GAN odległością Wasserstein-1 (odległością transportu ziemi). Ta substytucja zapewnia teoretycznie uzasadniony cel treningowy, który prowadzi do stabilniejszej optymalizacji i wartości funkcji straty, która sensownie koreluje z jakością wygenerowanych próbek, rozwiązując notoryczne problemy zapadania się modów (mode collapse) i zanikających gradientów standardowych GAN.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/pl/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.
- CycleGANUczenie głębokie↔ compare
- Model dyfuzyjnyUczenie głębokie↔ compare
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →