Wasserstein GAN

新的 WGAN 方法使用对抗学习校正传感器数据漂移

研究人员开发了一种新颖的方法，使用 Wasserstein 生成对抗网络（WGAN）来校正由运动或老化等因素引起的传感器数据分布漂移。该方法将生成器视为一个可学习的校准变换，而判别器通过 Wasserstein 目标提供分布距离信号。该技术成功应用于模拟量热仪数据，准确恢复了老化系数并改善了能量总和分布的一致性，表明其在缺乏退化直接标签的数据驱动校准策略中的潜力。