Generativní adversariální modely

Wasserstein GAN

Wasserstein GAN je variant generativní adversariálnej sítě, který nahrazuje klasifikační diskriminátor kritikom odhadujúcim rozdíl mezi reálnou a generovanou distribúcí pomocí Wassersteinovho cíle. Kritická funkce musí splňat Lipschitzovo omezení, původne aproximované orezáváním váh, později zejména gradient penalty nebo spektrálnou normalizací. Cíl poskytuje zmysluplnejší tréninkový signál i při neprekrývajúcich se distribúciách, ale sám sám o sobě negarantuje stabilitu, rozmanitost ani kvalitu vzorků.

Poslední odborná revize
7. srpna 2026
Odborný garant
Miroslav Schmiedt
ID
AI-GEO-W-02

Odborná definice

Odborná definice

Wasserstein GAN je variant generativní adversariálnej sítě, který nahrazuje klasifikační diskriminátor kritikom odhadujúcim rozdíl mezi reálnou a generovanou distribúcí pomocí Wassersteinovho cíle. Kritická funkce musí splňat Lipschitzovo omezení, původne aproximované orezáváním váh, později zejména gradient penalty nebo spektrálnou normalizací. Cíl poskytuje zmysluplnejší tréninkový signál i při neprekrývajúcich se distribúciách, ale sám sám o sobě negarantuje stabilitu, rozmanitost ani kvalitu vzorků.

Srozumitelné vysvětlení

Srozumitelné vysvětlení

Běžný GAN se může správat jako rozhodca, který pouze oznámi pravé nebo falešné a generátoru neposkytne užitočnou informaci, jako daleko je od cíle. WGAN používá kritika, který hodnotí směr a velikost rozdílu mezi rozdeleniami. Generátor tak dostává plynulejší signál i v skorých fázach tréninku. Aby hodnocení zodpovedalo teórii, kritik nesmí měnit výstup lubovolne prudko. Proto se kontroluje jeho Lipschitzovská vlastnost, co je jedna z klíčových provozních podmínek metody.

Časté otázky

Časté otázky

Proč WGAN nepoužívá sigmoid na výstupu kritika?

Kritik nepredikuje pravděpodobnost třídy. Produkuje reálně skóre, kterého rozdíl mezi reálnymi a generovanými vzorkami aproximuje Wassersteinů cíl.

Co je gradient penalty ve WGAN-GP?

Je to penalizace odchylky normy gradientu kritika od jedné na interpolovaných bodech. Prakticky presadzuje hladšie Lipschitzovo omezení než jednoduché ořezávání parametrů.

Odstraňuje WGAN mode collapse?

Může ho zmiernit díky informatívnejšiemu cielu, ale kolaps režimů zůstává možný. Je třeba sledovat pokrytí distribuce, architekturu, kapacitu kritika i poměr aktualizací.

Proč se kritik trénuje viackrát na jeden krok generátora?

Kvalitní odhad cíle vyžaduje, aby se kritik průběžně približoval optimálnej funkcii pro aktuální generátor. Příliš slabý kritik poskytuje skreslený směr aktualizace.

Je hodnota WGAN loss přímo kvalitou obrázků?

Ne. Může být užitečná na sledování optimalizace, ale vizuálnu věrnost a rozmanitost je třeba ověřovat samostatnými metrikami, ludským hodnotením a analýzou režimů.

Související pojmy

Související pojmy

Zdroje a redakční stopa

Zdroje a redakční stopa

  • Wasserstein GAN Improved Training of Wasserstein GANs

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.