Entrenament adversarial
L'entrenament adversarial és un procediment d'optimització robust per a xarxes neuronals profundes en el qual el model s'entrena no només amb dades netes sinó també amb entrades pertorbades en el pitjor dels casos, elaborades durant l'entrenament. Formalitzat per Madry et al. (2018) com un problema de punt de sella min-max, el mètode utilitza el descens de gradient projectat (PGD) per generar exemples adversaris forts dins d'un conjunt de pertorbació Lp acotat abans de cada actualització de gradient, forçant la xarxa a aprendre límits de decisió que siguin estables sota aquestes pertorbacions.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/ca/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.
- Augmentació de dadesAprenentatge profund↔ compare
- Generative Adversarial NetworkAprenentatge profund↔ compare
- Detecció de distribucions externesAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →