এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ওয়াসারস্টেইন দূরত্ব
সম্ভাবনা বন্টনের মধ্যে দূরত্ব পরিমাপকারী মেট্রিক যা একটি বন্টনকে অন্য বন্টনে রূপান্তর করার জন্য সর্বনিম্ন খরচ পরিমাপ করে, বিশেষভাবে কম সাপোর্ট বা বিচ্ছিন্ন বন্টনের জন্য কার্যকর।
আর্থ মুভার্স ডিসটেন্স (EMD)
ওয়াসারস্টেইন দূরত্বের জ্যামিতিক ব্যাখ্যা যা এক বন্টন থেকে অন্য বন্টনে মাটির ভর সরানোর জন্য প্রয়োজনীয় সর্বনিম্ন কাজ হিসেবে ধারণা করা হয়, একটি অবিচ্ছিন্ন এবং মসৃণ পরিমাপ প্রদান করে।
ক্রিটিক নেটওয়ার্ক
WGAN-এ ডিসক্রিমিনেটরের পরিবর্তে ব্যবহৃত নিউরাল নেটওয়ার্ক, যা বাস্তব ও জেনারেটেড নমুনা মূল্যায়ন করে সম্ভাবনার পরিবর্তে একটি স্কেলার স্কোর উৎপন্ন করে, নমুনার গুণমানের সাথে ভালো সম্পর্ক স্থাপনে সক্ষম।
লিপশিটজ ধারাবাহিকতা
গাণিতিক বৈশিষ্ট্য যা নিশ্চিত করে যে ক্রিটিক ফাংশন খুব দ্রুত পরিবর্তিত হয় না, ওয়াসারস্টেইন দূরত্বকে সসীম রাখা এবং প্রশিক্ষণকে স্থিতিশীল রাখার জন্য অপরিহার্য।
ডিসক্রিমিনেটর বনাম ক্রিটিক
মৌলিক পার্থক্য যেখানে ক্লাসিক্যাল ডিসক্রিমিনেটর শ্রেণীবিভাগের সম্ভাবনা উৎপন্ন করে, অন্যদিকে WGAN-এর ক্রিটিক নমুনার গুণমান মূল্যায়নের জন্য একটি অবাধ্য অবিচ্ছিন্ন স্কোর প্রদান করে।
প্রশিক্ষণ গতিবিদ্যা
WGAN-এর জন্য নির্দিষ্ট শিক্ষণ আচরণ যা আরও ধ্রুবক গ্রেডিয়েন্ট, পর্যায়ক্রমিক অভিসৃতি এবং ক্ষতি ও জেনারেটেড নমুনার গুণমানের মধ্যে রৈখিক সম্পর্ক দ্বারা চিহ্নিত।
নমুনা গুণমান মেট্রিক্স
মূল্যায়ন পরিমাপ যেখানে WGAN-এর ক্ষতিই জেনারেটেড নমুনার গুণমানের নির্ভরযোগ্য সূচক হিসেবে কাজ করে, ঐতিহ্যবাহী GAN-এর বিপরীত যেখানে ক্ষতি তথ্যপূর্ণ নয়।
WGAN জেনারেটর ক্ষতি
WGAN-এ জেনারেটরের উদ্দেশ্য ফাংশন যা ওয়াসারস্টেইন দূরত্ব কমানোর চেষ্টা করে, সর্বদা তথ্যপূর্ণ গ্রেডিয়েন্ট প্রদান করে এবং গ্রেডিয়েন্ট স্যাচুরেশন সমস্যা এড়ায়।
সমালোচকের ক্ষতি
লিপশিটজ সীমাবদ্ধতার অধীনে বাস্তব ও উত্পন্ন নমুনার স্কোরের মধ্যে পার্থক্য সর্বাধিক করার জন্য প্রশিক্ষিত সমালোচকের উদ্দেশ্য ফাংশন, যা সঠিক ওয়াসারস্টেইন দূরত্বের কাছাকাছি পৌঁছায়।