Adversarial Training
Adversarial Training je robustní optimalizační postup pro hluboké neuronové sítě, při kterém je model trénován nejen na čistých datech, ale i na vstupních datech zhoršených v nejhorším možném případě, která jsou vytvářena během tréninku. Tato metoda, formalizovaná Madrym et al. (2018) jako min-max problém sedlového bodu, používá pro generování silných adverzárních příkladů v rámci omezené Lp-normy poruchy před každou aktualizací gradientu metodu Projected Gradient Descent (PGD), čímž nutí síť naučit se rozhodovací hranice, které jsou vůči těmto poruchám stabilní.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/cs/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.
- Rozšíření datHluboké učení↔ compare
- Generativní adversariální síťHluboké učení↔ compare
- Detekce mimo distribuciStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →