Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) este o variantă de rețea adversarială generativă introdusă de Arjovsky, Chintala și Bottou în 2017, care înlocuiește divergența Jensen-Shannon utilizată în GAN-ul original cu distanța Wasserstein-1 (Earth Mover). Această substituție oferă un obiectiv de antrenament teoretic fundamentat, care permite o optimizare mai stabilă și o valoare a pierderii (loss) ce corelează semnificativ cu calitatea eșantioanelor generate, abordând problemele notorii de colaps de moduri (mode collapse) și gradienți dispăruți (vanishing gradients) ale GAN-urilor standard.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/ro/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: Traducere de imagini fără perechi cu consistență ciclicăÎnvățare profundă↔ compare
- Model de difuzieÎnvățare profundă↔ compare
- Rețea Generativă AdversarialÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →