Adversarial Training
Adversarial Training er en robust optimeringsprocedure for dybe neurale netværk, hvor modellen trænes ikke kun på rene data, men også på forstyrrede input i værste fald, der er konstrueret under træningen. Metoden, som blev formaliseret af Madry et al. (2018) som et min-max saddelpunkts-problem, anvender Projected Gradient Descent (PGD) til at generere stærke adversariale eksempler inden for en begrænset Lp-perturbationsmængde før hver gradientopdatering, hvilket tvinger netværket til at lære beslutningsgrænser, der er stabile under sådanne perturbationer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/da/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.
- Data AugmentationDyb læring↔ compare
- Generativ modstridende netværkDyb læring↔ compare
- Detektion af uden-distributionsdataMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →