3359 blog.csdn.net/nockinonheavensdoor/article/details/82055147
附注：只是凭直觉了解，好的严密证明请参考底部。
earth移动器’s distance
推土机距离的例子：很多土的分布是PrPr，其随机变量是xx，现在要求将这座土堆偏移到分布PgPg，其随机变量是yy (图中为PP) )，这样做的方法很多。 那么，最小工作移动应该做什么？ 这是对应优化问题的最优解。
在此，(Pr，Pg ) Pr，Pg )是边缘分布为PrPr和PgPg联合分布(Pr，Pg ) Pr，Pg )的集合的x(x，y )=pr ) yx(x，y )=pr )
对于(pr，P)(pr，P)，当求解(x，y ) )并遵循联合分布时，对于|||xy|||的期望在所有解中最小的期望是推土机距离。
直观测度论
测度论提供了若干集合的特征，来描述适合于RnRn空间的大多数点。
零测度(零测度集合在我们的测量空间中不占用任何体积。 例如，二维空间中的一直线的测度是0。
高维空间的低维子空间
高维空间的很多点是多余的，实际数据被压缩成低维子空间的流形，即高维曲面。 由于维数低，所占空间体积几乎为0，所以原始的GANs中发生器的生成数据广泛分布在高维空间中，由于未检测到实际数据，KL距离始终为log2，所以对发生器的梯度始终为0，无论如何训练都是无用的问题
Wasserstein距离的对偶公式
相当于找到函数ff求出(3)的最大目标函数。 该函数满足fl1fl1，1-lip schitz函数。
参考： https://www.zhi Hu.com/question/41752299
: https://Vincent herrmann.github.io/blog/wasser stein /
《深度学习》 《hulu百面》
-----------------
作者： NockinOnHeavensDoor
来源： CSDN
译文： 3359 blog.csdn.net/nockinonheavensdoor/article/details/82055147
声明：本文为博客原创文章。 转载请附上博文链接！
转载于：https://www.cn blogs.com/fpzs/p/10479924.html