Генеративна змагальна мережа Вассерштейна (WGAN)
Wasserstein GAN (WGAN) — це варіант генеративно-змагальної мережі, представлений Arjovsky, Chintala та Bottou у 2017 році, який замінює дивергенцію Єнсена-Шеннона, що використовується в оригінальному GAN, відстанню Вассерштейна-1 (відстанню переміщення Землі). Ця заміна забезпечує теоретично обґрунтовану мету навчання, яка призводить до більш стабільної оптимізації та значення втрат, що змістовно корелює з якістю згенерованих зразків, вирішуючи відомі проблеми колапсу мод та зникаючих градієнтів стандартних GAN.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/uk/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: переклад зображень без пар із циклічною узгодженістюГлибоке навчання↔ compare
- Дифузійна модельГлибоке навчання↔ compare
- Генеративно-змагальна мережаГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →