Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) je varijanta generativne suparničke mreže koju su 2017. godine predstavili Arjovsky, Chintala i Bottou, a koja zamenjuje Jensen-Šenonovu divergenciju korišćenu u originalnom GAN-u sa Vaserštajnovom-1 (Earth Mover) rastojanjem. Ova zamena pruža teorijski utemeljenu ciljnu funkciju za obuku koja omogućava stabilniju optimizaciju i vrednost gubitka koja se značajno koreliše sa kvalitetom generisanih uzoraka, rešavajući notorne probleme kolapsa modusa i nestajanja gradijenta standardnih GAN-ova.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/sr/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.
- CycleGANDuboko učenje↔ compare
- Difuzioni modelDuboko učenje↔ compare
- Generativna suparnička mrežaDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →