Treinamento Adversarial

Treinamento Adversarial é um procedimento robusto de otimização para redes neurais profundas no qual o modelo é treinado não apenas com dados limpos, mas também com entradas perturbadas em pior caso, elaboradas durante o treinamento. Formalizado por Madry et al. (2018) como um problema de ponto de sela min-max, o método utiliza Gradiente Descendente Projetado (PGD) para gerar exemplos adversariais fortes dentro de um conjunto de perturbação Lp limitado antes de cada atualização de gradiente, forçando a rede a aprender limites de decisão que são estáveis sob tais perturbações.