Wasserstein距离

Wasserstein距离（也称为Earth Mover's Distance）是一种度量两个概率分布之间差异的方法。它的定义是将一种分布变成另一种分布所需的最小代价，其中代价可以是任何可测量的量（例如，欧几里得距离或曼哈顿距离）。在深度学习中，Wasserstein距离经常用于优化生成对抗网络（GAN），因为它可以更好地衡量生成器和判别器之间的差异，并且可以产生更稳定的训练过程和更高质量的生成结果。