Antagonistički trening
Adversarial Training je postupak robusne optimizacije za duboke neuralne mreže u kojem se model trenira ne samo na čistim podacima, već i na perturbiranim ulazima najgoreg slučaja, stvorenim tijekom treninga. Formalizirana od strane Madry et al. (2018) kao min-max problem sedlastih točaka, ova metoda koristi Projektirani Silazni Pad (PGD) za generiranje snažnih advesarijalnih primjera unutar ograničenog Lp skupa perturbacija prije svakog ažuriranja gradijenta, prisiljavajući mrežu da nauči granice odlučivanja koje su stabilne pod takvim perturbacijama.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Karta metoda
Okruženje srodnih metoda — odaberite čvor za istraživanje.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/hr/deep-learning/adversarial-training
Koja metoda?
Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.
- Povećanje podatakaDuboko učenje↔ usporedi
- Generativna suparnička mrežaDuboko učenje↔ usporedi
- Detekcija izvan distribucijeStrojno učenje↔ usporedi
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →