Adversarial Training
Adversarial Training ist ein robustes Optimierungsverfahren für tiefe neuronale Netze, bei dem das Modell nicht nur auf sauberen Daten, sondern auch auf Worst-Case-gestörten Eingaben trainiert wird, die während des Trainings erstellt werden. Formalisiert von Madry et al. (2018) als Min-Max-Sattelpunktproblem, verwendet die Methode Projected Gradient Descent (PGD), um starke adversariale Beispiele innerhalb einer begrenzten Lp-Störungsmenge zu erzeugen, bevor jedes Gradienten-Update durchgeführt wird, was das Netzwerk zwingt, Entscheidungsgrenzen zu lernen, die unter solchen Störungen stabil sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/de/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.
- DatenerweiterungDeep Learning↔ compare
- Generative Adversarial NetworkDeep Learning↔ compare
- Out-of-Distribution-ErkennungMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →