Latihan Adversari
Latihan Adversari ialah prosedur pengoptimuman yang teguh untuk rangkaian saraf dalam yang mana model dilatih bukan sahaja pada data bersih tetapi juga pada input terganggu kes-terburuk yang direka semasa latihan. Diformalkan oleh Madry et al. (2018) sebagai masalah titik pelana min-maks, kaedah ini menggunakan Penurunan Gred Berprojeksi (PGD) untuk menjana contoh adversari yang kuat dalam set gangguan Lp terhad sebelum setiap kemas kini gred, memaksa rangkaian untuk mempelajari sempadan keputusan yang stabil di bawah gangguan tersebut.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/ms/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.
- Tatatanda DataPembelajaran Mendalam↔ compare
- Rangkaian Generatif AdversarialPembelajaran Mendalam↔ compare
- Pengesanan Luar Tabung EdaranPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →