Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) är en variant av generativa antagonistiska nätverk (GAN) som introducerades av Arjovsky, Chintala och Bottou år 2017. Den ersätter Jensen-Shannon-divergensen som används i den ursprungliga GAN med Wasserstein-1-avståndet (Earth Mover's distance). Denna substitution ger ett teoretiskt välgrundat träningsmål som resulterar i stabilare optimering och ett förlustvärde som korrelerar meningsfullt med kvaliteten på genererade sampel, vilket adresserar de notoriska problemen med moduskollaps och försvinnande gradienter i standard-GAN.
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
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/sv/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: Oparad bild-till-bild-översättning med cykelkonsistensDjupinlärning↔ compare
- DiffusionsmodellDjupinlärning↔ compare
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →