Indholdsfortegnelse:
Definition - Hvad betyder Wasserstein GAN (WGAN)?
Wasserstein GAN (WGAN) er en algoritme introduceret i et papir skrevet af Martin Arjovsky, Soumith Chintala og Léon Bottou ved Courant Institute of Mathematical Sciences. Papiret undersøger metoder til uovervåget læring og giver en del af køreplanen til håndtering af forfølgelsen af visse resultater i maskinlæringsprojekter.
Techopedia forklarer Wasserstein GAN (WGAN)
Wasserstein GAN-algoritmen er en variation af generative adversarial-netværk (GAN'er). Generative adversarial-netværksfunktioner, der er relateret til at skelne mellem datasæt og vælge udfald, er grundlæggende nyttige i maskinlæring. Wasserstein GAN er en bestemt type GAN, der ifølge teamet "minimerer en rimelig og effektiv tilnærmelse af Earth Mover's afstand, " hvor EM-afstanden er en metode til at se på forskellighed mellem to multidimensionelle datasæt.
Gennem at hjælpe med at håndtere store træningsproblemer i generative modstandernetværk generelt, kan Wasserstein GAN være nyttigt i forfølgelsen af dimensionalitetsreduktion og andre mål relateret til specifikke maskinlæringsresultater.
