Inhoudsopgave:
Definitie - Wat betekent Wasserstein GAN (WGAN)?
De Wasserstein GAN (WGAN) is een algoritme geïntroduceerd in een paper geschreven door Martin Arjovsky, Soumith Chintala en Léon Bottou aan het Courant Institute of Mathematical Sciences. De paper onderzoekt methoden voor ongecontroleerd leren en biedt een deel van de routekaart voor het omgaan met bepaalde resultaten in projecten voor machinaal leren.
Techopedia verklaart Wasserstein GAN (WGAN)
Het Wasserstein GAN-algoritme is een variatie op generatieve adversariële netwerken (GAN's). Generatieve tegenstandersnetwerken beschikken over functies die verband houden met het onderscheid maken tussen gegevenssets en het kiezen van resultaten. Dit is fundamenteel nuttig bij machine learning. De Wasserstein GAN is een specifiek soort GAN dat volgens het team "een redelijke en efficiënte benadering van de afstand van de Earth Mover minimaliseert", waarbij de EM-afstand een methode is om te kijken naar ongelijkheid tussen twee multidimensionale gegevenssets.
Door te helpen bij het aanpakken van grote trainingsproblemen van generatieve tegenstandernetwerken in het algemeen, kan de Wasserstein GAN nuttig zijn bij het nastreven van dimensionaliteitsreductie en andere doelen met betrekking tot specifieke resultaten van machinaal leren.
