آموزش خصمانه
آموزش خصمانه (Adversarial Training) یک رویه بهینهسازی مقاوم برای شبکههای عصبی عمیق است که در آن مدل نه تنها بر روی دادههای پاک، بلکه بر روی ورودیهای مختلشده در بدترین حالت که در طول آموزش ایجاد میشوند، آموزش میبیند. این روش که توسط Madry et al. (2018) به صورت یک مسئله بهینهسازی مینیماکس (min-max) فرمولبندی شده است، از روش نزول گرادیان تصویر شده (Projected Gradient Descent - PGD) برای تولید نمونههای خصمانه قوی در یک مجموعه محدود اغتشاش Lp قبل از هر بهروزرسانی گرادیان استفاده میکند و شبکه را مجبور میکند مرزهای تصمیمگیری را بیاموزد که تحت چنین اغتشاشاتی پایدار هستند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/fa/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.
- افزایش دادهیادگیری عمیق↔ compare
- شبکه مولد تخاصمییادگیری عمیق↔ compare
- شناسایی دادههای خارج از توزیعیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →