Adversariële training
Adversariële training is een robuuste optimalisatieprocedure voor diepe neurale netwerken waarbij het model niet alleen op schone data, maar ook op worst-case geperturbeerde invoer wordt getraind, die tijdens de training wordt geconstrueerd. Geformaliseerd door Madry et al. (2018) als een min-max zadelpuntsysteem, gebruikt de methode Projected Gradient Descent (PGD) om sterke adversariële voorbeelden te genereren binnen een begrensde Lp-perturbatieset vóór elke gradiëntupdate, waardoor het netwerk beslissingsgrenzen leert die stabiel zijn onder dergelijke perturbaties.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/nl/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.
- Data-augmentatieDeep learning↔ compare
- Generatief Adversarieel NetwerkDeep learning↔ compare
- Out-of-Distribution DetectieMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →