Explainable GAN
Explainable GAN ประยุกต์ใช้เทคนิคการตีความ (interpretability techniques) กับ Generative Adversarial Networks (GANs) เพื่อเปิดเผยว่าหน่วยภายใน (internal units) และทิศทางแฝง (latent directions) ใดเป็นสาเหตุของลักษณะภาพหรือโครงสร้างเฉพาะในผลลัพธ์ที่สร้างขึ้น โดยเป็นการผสมผสานการฝึก GAN เข้ากับการวิเคราะห์หลังการฝึก (post-hoc analysis) เช่น การแยกส่วนหน่วย (unit dissection), แผนที่ความสำคัญ (saliency maps), หรือปริภูมิแฝงที่แยกส่วนได้ (disentangled latent spaces) เพื่อให้พฤติกรรมของแบบจำลองการสร้างมีความโปร่งใสและสามารถตรวจสอบได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/th/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.
- แบบจำลองการแพร่ (Diffusion Model)การเรียนรู้เชิงลึก↔ compare
- การจำแนกภาพที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- โครงข่ายปฏิปักษ์เชิงกำเนิดการเรียนรู้เชิงลึก↔ compare
- ตัวเข้ารหัสอัตโนมัติแบบแปรผันการเรียนรู้เชิงลึก↔ compare