Wasserstein Loss

یکی از توابع هزینه است که بر اساس فاصله زمین متحرک (EMD) بین توزیع داده‌های تولید شده و داده‌های واقعی است و معمولا در شبکه‌های مولد تخاصمی استفاده می‌شود.

هزینه‌ی Wasserstein عملکرد از دست رفته پیش فرض در TF-GAN است.

Weight

ضریب یک ویژگی در یک مدل خطی یا یک لبه در شبکه عمیق است. هدف از آموزش یک مدل خطی، تعیین وزن ایده‌آل برای هر ویژگی است. اگر وزنی 0 باشد، ویژگی مربوط به آن به مدل کمکی نمی‌کند.

Weighted Alternating Least Squares(wals)

الگوریتمی برای به حداقل رساندن تابع هدف هنگام فاکتورگیری ماتریس در سیستم‌های توصیه‌گر که می‌تواند وزنه‌ای سبک برای نمونه‌های ازدست رفته باشد. WALS خطای مربع وزنی بین ماتریس اصلی و بازسازی را با تناوبی بین تثبیت ردیف و ستون فاکتور گذاری به حداقل می‌رساند. هر یک از این بهینه سازی‌ها را می‌توان با حداقل بهینه سازی محدب مربع حل کرد. برای جزئیات بیشتر به دوره سیستم‌های توصیه‌گر مراجعه کنید.

Wide Model

یک مدل خطی که به طور معمول شامل تعداد زیادی ویژگی‌های ورودی پراکنده است و ما از آن به عنوان "گسترده" یاد می‌کنیم زیرا چنین مدلی نوع خاصی از شبکه عصبی با تعداد زیادی ورودی است که مستقیم به گره خروجی متصل می‌شوند. با وجود اینکه اشکال زدایی و بازرسی از مدل های گسترده اغلب راحت تر از مدل‌های عمیق است، این مدل‌ها نمی توانند غیرخطی بودن را از طریق لایه‌های نهان بیان کنند. اما می توانند از تغییراتی مانند عبور از ویژگی‌ها و جفت‌بندی برای مدل سازی غیرخطی‌ها به روش‌های مختلف استفاده کنند( برخلاف مدل عمیق).

Width

به تعداد سلول‌های عصبی در یک لایه‌ی خاص از شبکه‌ی عصبی گفته می‌شود.