एआई शब्दावली

📖

शब्द

Distance de Wasserstein

Métrique mesurant la distance entre deux distributions de probabilité en quantifiant le coût minimal pour transformer une distribution en une autre, particulièrement efficace pour les distributions à support faible ou disjoint.

📖

शब्द

Earth Mover's Distance (EMD)

Interprétation géométrique de la distance de Wasserstein conceptualisée comme le travail minimum nécessaire pour déplacer la masse de terre d'une distribution à une autre, fournissant une mesure continue et lisse.

📖

शब्द

Critique Network

Réseau neuronal remplaçant le discriminateur dans les WGANs, évaluant les échantillons réels et générés pour produire un score scalaire plutôt qu'une probabilité, permettant une meilleure corrélation avec la qualité des échantillons.

📖

शब्द

Continuité de Lipschitz

Propriété mathématique garantissant que la fonction du critique ne varie pas trop rapidement, essentielle pour garantir que la distance de Wasserstein reste finie et que l'entraînement soit stable.

📖

शब्द

Discriminateur vs Critique

Distinction fondamentale où le discriminateur classique produit des probabilités de classification tandis que le critique des WGANs fournit un score continu non borné pour évaluer la qualité des échantillons.

📖

शब्द

Dynamiques d'Entraînement

Comportement d'apprentissage spécifique aux WGANs caractérisé par des gradients plus constants, une convergence progressive et une relation linéaire entre la perte et la qualité des échantillons générés.

📖

शब्द

Métriques de Qualité d'Échantillonnage

Mesures d'évaluation où la perte du WGAN elle-même sert d'indicateur fiable de la qualité des échantillons générés, contrairement aux GANs traditionnels où la perte n'est pas informative.

📖

शब्द

Perte du Générateur WGAN

Fonction objectif du générateur dans les WGANs cherchant à minimiser la distance de Wasserstein, fournissant des gradients toujours informatifs et évitant le problème de saturation des gradients.

📖

शब्द

Perte du Critique

Fonction objectif du critique entraîné à maximiser la différence entre scores d'échantillons réels et générés sous contrainte de Lipschitz, approchant la distance de Wasserstein exacte.