Adversarial Training
Adversarial Training er en robust optimaliseringsprosedyre for dype nevrale nettverk der modellen trenes ikke bare på rene data, men også på forstyrrede input i verste fall, utformet under treningen. Metoden, formalisert av Madry et al. (2018) som et min-max sadelpunktproblem, bruker Projected Gradient Descent (PGD) for å generere sterke adversariale eksempler innenfor et begrenset Lp-forstyrrelsesett før hver gradientoppdatering, noe som tvinger nettverket til å lære beslutningsgrenser som er stabile under slike forstyrrelser.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/no/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 AugmentationDyp læring↔ compare
- Generativt motsetningsnettverkDyp læring↔ compare
- Deteksjon av utenfor-distribusjonMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →