Pretinieka treniņš
Adversarial Training ir robusta optimizācijas procedūra dziļiem neironu tīkliem, kurā modelis tiek apmācīts ne tikai uz tīriem datiem, bet arī uz vissliktākajiem iespējamajiem perturbētiem ievadiem, kas izveidoti apmācības laikā. Šo metodi, ko formalizējuši Madry et al. (2018) kā min-max spēles punktu problēmu, izmanto projekcijas gradienta nolaišanos (PGD), lai pirms katra gradienta atjauninājuma izveidotu spēcīgus adversariālus piemērus, kas atrodas L_p perturbācijas kopas robežās, piespiežot tīklu apgūt lēmumu robežas, kas ir stabilas pret šādām perturbācijām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/lv/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.
- Datu paplašināšanaDziļā mācīšanās↔ compare
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
- Detekcija ārpus sadalījumaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →