Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) je variant generatívnej adverzárnej siete predstavený Arjovským, Chintalom a Bottou v roku 2017, ktorý nahrádza Jensen-Shannonovu divergenciu použitú v pôvodnej GAN vzdialenosťou Wasserstein-1 (Earth Mover distance). Táto substitúcia poskytuje teoreticky podložený tréningový cieľ, ktorý vedie k stabilnejšej optimalizácii a hodnote straty, ktorá zmysluplne koreluje s kvalitou generovaných vzoriek, čím rieši notoricky známe problémy kolapsu módu a miznúcich gradientov štandardných GAN.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/sk/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: Nepárový preklad obrazu na obraz s cyklickou konzistenciouHlboké učenie↔ compare
- Difúzny modelHlboké učenie↔ compare
- Generatívna protiadverзárna sieťHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →