Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) เป็นโครงข่ายปฏิปักษ์ก่อกำเนิด (generative adversarial network) รูปแบบหนึ่งที่ Arjovsky, Chintala, and Bottou นำเสนอในปี 2017 โดยแทนที่ Jensen-Shannon divergence ที่ใช้ใน GAN ดั้งเดิมด้วยระยะทาง Wasserstein-1 (Earth Mover) การแทนที่นี้ให้วัตถุประสงค์การฝึกอบรมที่มีพื้นฐานทางทฤษฎี ซึ่งนำไปสู่การปรับให้เหมาะสมที่เสถียรยิ่งขึ้น และค่าความคลาดเคลื่อนที่สัมพันธ์อย่างมีความหมายกับคุณภาพของตัวอย่างที่สร้างขึ้น แก้ปัญหา mode collapse และ vanishing gradient ที่เป็นที่รู้จักกันดีของ GAN มาตรฐาน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/th/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: การแปลภาพต่อภาพแบบไม่จับคู่ด้วยความสอดคล้องแบบวัฏจักรการเรียนรู้เชิงลึก↔ compare
- แบบจำลองการแพร่ (Diffusion Model)การเรียนรู้เชิงลึก↔ compare
- โครงข่ายปฏิปักษ์เชิงกำเนิดการเรียนรู้เชิงลึก↔ compare