欢迎使用自动驾驶GAN数据增强监控平台！本平台旨在监控GAN生成数据的质量，并评估其对模型训练的贡献。
以下是GAN生成数据的实时监控数据，包括数据分布、特征、置信度等关键指标。
| 指标名称 | 当前值 | 阈值 | 状态 | 更新时间 |
|---|---|---|---|---|
| KL散度 | 0.025 | 0.05 | 正常 | 2024-01-17 10:30:00 |
| JS散度 | 0.018 | 0.03 | 正常 | 2024-01-17 10:30:00 |
| Wasserstein距离 | 0.15 | 0.2 | 正常 | 2024-01-17 10:30:00 |
| 平均置信度 | 0.88 | 0.8 | 正常 | 2024-01-17 10:30:00 |
| 标注一致性 | 0.92 | 0.85 | 正常 | 2024-01-17 10:30:00 |
| 多样性评分 | 0.85 | 0.75 | 正常 | 2024-01-17 10:30:00 |
请注意：以上数据为模拟数据，仅供演示使用。
本平台的数据每 5 分钟自动更新一次，确保您能够及时了解 GAN 数据的最新状态。
请根据您的业务需求合理设置各项指标的阈值，以便及时发现潜在问题。
以下是各项数据质量监控功能的入口，点击链接可进入相应页面。
应用场景： 评估GAN生成数据与真实数据分布的差异，避免GAN生成的数据过于集中或偏离真实数据。
指标： KL散度、JS散度、Wasserstein距离
进入数据分布评估
应用场景： 统计GAN生成数据的统计特征（均值、方差、分布等），并与真实数据进行对比，确保生成数据的特征与真实数据相似。
指标： 均值、方差、分布对比
进入数据特征分析
应用场景：评估感知模型对GAN生成数据的置信度，如果置信度过低，说明GAN生成的数据质量可能存在问题。
指标：平均置信度
进入感知模型置信度评估
应用场景： 使用机器学习模型预测数据的真实性、多样性和相关性，实现数据质量的自动评估。
指标：真实性预测概率、多样性评分、相关性评分
进入自动化数据质量评估
应用场景：邀请领域专家对生成数据的质量进行评估，包括真实性、多样性、相关性等。
指标：人工评分（真实性、多样性、相关性）
进入专家人工评估
您可以执行以下操作：