All translations

Enter a message name below to show all available translations.

Found 3 translations.

Name	Current message text
^h English (en)	* '''Adversarial framework''': A novel training paradigm in which a generator and discriminator are trained simultaneously through a two-player minimax game, with the generator learning to produce increasingly realistic samples. * '''Theoretical foundation''': Proof that the minimax game has a global optimum when the generator's distribution matches the true data distribution, and that the training procedure converges to this optimum under certain conditions. * '''Simplicity and generality''': GANs require only feedforward neural networks and {{Term\|backpropagation}}, with no need for Markov chains, variational bounds, or complex inference procedures. * '''Sharp sample generation''': Unlike VAEs, which tend to produce blurred outputs due to the Gaussian assumptions in their generative process, GANs can produce sharp, detailed samples.
^h Spanish (es)	* '''Marco adversario''': un nuevo paradigma de entrenamiento en el que un generador y un discriminador se entrenan simultáneamente mediante un juego minimax de dos jugadores, donde el generador aprende a producir muestras cada vez más realistas. * '''Fundamento teórico''': demostración de que el juego minimax posee un óptimo global cuando la distribución del generador coincide con la distribución verdadera de los datos, y de que el procedimiento de entrenamiento converge a dicho óptimo bajo ciertas condiciones. * '''Simplicidad y generalidad''': las GAN solo requieren redes neuronales feedforward y {{Term\|backpropagation\|retropropagación}}, sin necesidad de cadenas de Markov, cotas variacionales ni procedimientos de inferencia complejos. * '''Generación de muestras nítidas''': a diferencia de los VAE, que tienden a producir salidas borrosas debido a las suposiciones gaussianas de su proceso generativo, las GAN pueden producir muestras nítidas y detalladas.
^h Chinese (zh)	* '''对抗框架'''：一种新颖的训练范式，其中生成器和判别器通过双玩家极小极大博弈同时训练，生成器逐渐学会产生越来越逼真的样本。 * '''理论基础'''：证明了当生成器的分布与真实数据分布相匹配时，该极小极大博弈具有全局最优解，并且在一定条件下，训练过程会收敛到该最优解。 * '''简洁性与通用性'''：GAN 仅需要前馈神经网络和 {{Term\|backpropagation\|反向传播}}，无需马尔可夫链、变分界或复杂的推断过程。 * '''清晰样本生成'''：与 VAE 因其生成过程中的高斯假设而倾向于产生模糊输出不同，GAN 能够产生清晰、细致的样本。