Addestramento avversariale
L'addestramento avversariale è una procedura di ottimizzazione robusta per reti neurali profonde in cui il modello viene addestrato non solo su dati puliti, ma anche su input perturbati nel caso peggiore, creati durante l'addestramento. Formalizzato da Madry et al. (2018) come problema di punto di sella min-max, il metodo utilizza la Projected Gradient Descent (PGD) per generare forti esempi avversariali all'interno di un insieme di perturbazioni Lp limitato prima di ogni aggiornamento del gradiente, costringendo la rete ad apprendere confini decisionali stabili sotto tali perturbazioni.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/it/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.
- Aumento dei DatiApprendimento profondo↔ compare
- Rete Generativa AvversariaApprendimento profondo↔ compare
- Rilevamento Out-of-DistributionApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →