Förklarbar GAN
Förklarbar GAN (Explainable GAN) tillämpar tolkningsbarhetstekniker på Generative Adversarial Networks (GAN) för att avslöja vilka interna enheter och latenta riktningar som orsakar specifika visuella eller strukturella särdrag i genererade utdata. Metoden kombinerar GAN-träning med post-hoc analysverktyg – såsom enhetsanalys (unit dissection), saliency maps eller separerade latenta rum (disentangled latent spaces) – för att göra generativa modellers beteende transparent och granskningsbart.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/sv/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.
- DiffusionsmodellDjupinlärning↔ compare
- Förklarbar bildklassificeringDjupinlärning↔ compare
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →