Запис на доказателства за метод

Adversarial Training

Adversarial Training is a robust optimization procedure for deep neural networks in which the model is trained not on clean data alone but on worst-case perturbed inputs crafted during training. Formalized by Madry et al. (2018) as a min-max saddle-point problem, the method uses Projected Gradient Descent (PGD) to generate strong adversarial examples within a bounded Lp perturbation set before each gradient update, forcing the network to learn decision boundaries that are stable under such perturbations.

Sources recorded, not reviewed

Изходен запис

Цитиранията са копирани дословно от изходния запис на метода. Те не предполагат проверка на ниво твърдение.

Adversarial Training (Robust Optimization for DL)

Таксономичен запис на метод · ml-model / deep-learning

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). · URL

Отвори пълен метод

Подбрани твърдения

Твърденията са запазени в регистъра на доказателствата, всяко със собствена оценка.

Все още няма подбрани твърдения

Този изглед не измисля оценка на твърдение, когато регистърът няма такава.

Свързани методи

Генерирани от графа на методите и показани като предложени от машината връзки — не се предполага твърдение за доказателство.

Taxonomic bucketData Augmentationmachine-suggested · Relational suggestion, not evidence.Same method familyGenerative Adversarial Networkmachine-suggested · Relational suggestion, not evidence.Same method familyOut-of-Distribution Detectionmachine-suggested · Relational suggestion, not evidence.