Pelatihan Adversarial
Pelatihan Adversarial adalah prosedur optimasi yang kuat untuk jaringan saraf dalam (deep neural networks) di mana model dilatih tidak hanya pada data bersih tetapi juga pada masukan terganggu (perturbed inputs) dalam skenario terburuk (worst-case) yang dibuat selama pelatihan. Diformalisasi oleh Madry et al. (2018) sebagai masalah titik pelana (saddle-point) min-max, metode ini menggunakan Projected Gradient Descent (PGD) untuk menghasilkan contoh adversarial yang kuat dalam himpunan perturbasi Lp yang terbatas sebelum setiap pembaruan gradien, memaksa jaringan untuk mempelajari batas keputusan yang stabil di bawah perturbasi tersebut.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/id/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.
- Augmentasi DataPembelajaran Mendalam↔ compare
- Jaringan Adversarial GeneratifPembelajaran Mendalam↔ compare
- Deteksi Luar DistribusiPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →