Trening adwersaryjny
Trening adwersaryjny to solidna procedura optymalizacyjna dla głębokich sieci neuronowych, w której model jest trenowany nie tylko na czystych danych, ale również na celowo zakłóconych danych wejściowych, tworzonych podczas treningu. Sformalizowana przez Madry'ego i in. (2018) jako problem punktu siodłowego min-max, metoda wykorzystuje projekcję gradientu (PGD) do generowania silnych przykładów adwersaryjnych w ramach ograniczonego zbioru perturbacji Lp przed każdą aktualizacją gradientu, zmuszając sieć do uczenia się granic decyzyjnych, które są stabilne w obliczu takich zakłóceń.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/pl/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.
- Augmentacja danychUczenie głębokie↔ compare
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
- Wykrywanie danych spoza dystrybucjiUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →