Трениране с противникови атаки
Тренирането с противникови атаки (Adversarial Training) е процедура за робастна оптимизация за дълбоки невронни мрежи, при която моделът се тренира не само върху чисти данни, но и върху най-лошите възможни пертурбирани входни данни, създадени по време на тренировката. Формализиран от Madry et al. (2018) като проблем за седловидна точка с минимакс, методът използва Проектиран Градиентен Спуск (PGD) за генериране на силни противникови примери в рамките на ограничено Lp пертурбационно множество преди всяка градиентна актуализация, принуждавайки мрежата да научи граници на решения, които са стабилни при такива пертурбации.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Madry, A., Makelov, A., Schmidt, L., Tsipras, D., & Vladu, A. (2018). Towards deep learning models resistant to adversarial attacks. International Conference on Learning Representations (ICLR). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/bg/deep-learning/adversarial-training
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Аугментация на данниДълбоко обучение↔ compare
- Генеративна състезателна мрежаДълбоко обучение↔ compare
- Откриване на извън-разпределени данниМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →