Adversariálne trénovanie
Adversariálne trénovanie je robustný optimalizačný postup pre hlboké neurónové siete, pri ktorom sa model trénuje nielen na čistých dátach, ale aj na najhorších možných narušených vstupoch vytvorených počas tréningu. Metóda, formalizovaná Madrym a kol. (2018) ako min-max sedlový bodový problém, používa projekciu gradientného zostupu (PGD) na generovanie silných adversariálnych príkladov v rámci ohraničenej Lp perturbačnej množiny pred každou aktualizáciou gradientu, čím núti sieť naučiť sa rozhodovacie hranice, ktoré sú stabilné pri takýchto perturbáciách.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/sk/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.
- Zväčšovanie dátHlboké učenie↔ compare
- Generatívna protiadverзárna sieťHlboké učenie↔ compare
- Detekcia mimo distribúcieStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →