Nachweisdatensatz der Methode

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

Quellendatensatz

Zitate wörtlich aus dem Quellendatensatz der Methode übernommen. Daraus wird keine Überprüfung auf Claim-Ebene abgeleitet.

Adversarial Training (Robust Optimization for DL)

Taxonomischer Methodendatensatz · 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

Vollständige Methode öffnen

Kuratiert Claims

Claims im Evidenz-Ledger gespeichert, jeder mit seiner eigenen Bewertung.

Noch keine kuratierten Claims

Diese Ansicht erfindet keine Claim-Bewertung, wenn das Ledger keine hat.

Adversarial Training

Quellendatensatz

Kuratiert Claims

Verwandte Methoden