Entraînement contradictoire
L'entraînement contradictoire est une procédure d'optimisation robuste pour les réseaux neuronaux profonds dans laquelle le modèle est entraîné non seulement sur des données propres, mais aussi sur des entrées perturbées du pire cas, conçues pendant l'entraînement. Formalisée par Madry et al. (2018) comme un problème de point selle min-max, la méthode utilise la descente de gradient projeté (PGD) pour générer de forts exemples contradictoires dans un ensemble de perturbation Lp borné avant chaque mise à jour de gradient, forçant le réseau à apprendre des frontières de décision stables sous de telles perturbations.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/fr/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.
- Augmentation des donnéesApprentissage profond↔ compare
- Réseau antagoniste génératifApprentissage profond↔ compare
- Détection hors distributionApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →