Vastustuksellinen harjoittelu
Vastustuksellinen harjoittelu (Adversarial Training) on syvien neuroverkkojen robusti optimointimenetelmä, jossa mallia ei harjoiteta pelkästään puhtaalla datalla, vaan myös harjoittelun aikana luoduilla pahimman tapauksen häiriintyneillä syötteillä. Madry et al. (2018) formalisoivat menetelmän min-max-satulapisteongelmana, ja se käyttää projisoitua gradienttimenetelmää (Projected Gradient Descent, PGD) vahvojen vastustuksellisten esimerkkien luomiseen rajatussa Lp-häiriöjoukossa ennen kutakin gradienttipäivitystä, pakottaen verkon oppimaan päätösrajoja, jotka ovat stabiileja tällaisten häiriöiden alla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/fi/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.
- Datan augmentointiSyväoppiminen↔ compare
- Generatiivinen kilpaileva verkkoSyväoppiminen↔ compare
- Hajautusjakauman ulkopuolinen (Out-of-Distribution, OOD) tunnistusKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →