Εκπαίδευση με Εχθρικές Εισόδους (Adversarial Training)
Η Εκπαίδευση με Εχθρικές Εισόδους (Adversarial Training) είναι μια διαδικασία στιβαρής βελτιστοποίησης για βαθιά νευρωνικά δίκτυα, κατά την οποία το μοντέλο εκπαιδεύεται όχι μόνο σε καθαρά δεδομένα, αλλά και σε εισόδους που έχουν διαταραχθεί στο χειρότερο δυνατό σενάριο, οι οποίες δημιουργούνται κατά τη διάρκεια της εκπαίδευσης. Τυποποιημένη από τους Madry et al. (2018) ως πρόβλημα ελαχίστου-μεγίστου (min-max) σημείου σέλας, η μέθοδος χρησιμοποιεί την Καθοδική Κλίση Προβολής (Projected Gradient Descent - PGD) για να δημιουργήσει ισχυρά εχθρικά παραδείγματα εντός ενός φραγμένου συνόλου διαταραχών Lp πριν από κάθε ενημέρωση κλίσης, αναγκάζοντας το δίκτυο να μάθει όρια απόφασης που είναι σταθερά υπό τέτοιες διαταραχές.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/el/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.
- Επαύξηση ΔεδομένωνΒαθιά Μάθηση↔ compare
- Γενετικό Ανταγωνιστικό ΔίκτυοΒαθιά Μάθηση↔ compare
- Ανίχνευση Εκτός ΚατανομήςΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →