Entrenamiento Adversario
El entrenamiento adversario es un procedimiento de optimización robusta para redes neuronales profundas en el que el modelo se entrena no solo con datos limpios, sino también con entradas perturbadas de "peor caso" elaboradas durante el entrenamiento. Formalizado por Madry et al. (2018) como un problema de punto de silla min-max, el método utiliza el Descenso de Gradiente Proyectado (PGD, por sus siglas en inglés) para generar ejemplos adversarios fuertes dentro de un conjunto de perturbación Lp acotado antes de cada actualización de gradiente, forzando a la red a aprender límites de decisión que sean estables bajo tales perturbaciones.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/es/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.
- Aumento de datosAprendizaje profundo↔ compare
- Red Generativa AntagónicaAprendizaje profundo↔ compare
- Detección de Out-of-DistributionAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →