Adversarial Training
Adversarial Training je robustan optimizacioni postupak za duboke neuralne mreže u kojem se model obučava ne samo na čistim podacima, već i na perturbiranim ulazima najgoreg slučaja kreiranim tokom obuke. Formalizovana od strane Madry et al. (2018) kao min-maks problem sedlastih tačaka, metoda koristi Projektovanu Gradijentnu Silaznu Metodu (PGD) za generisanje jakih adversarialnih primera unutar ograničenog Lp skupa perturbacija pre svakog ažuriranja gradijenta, primoravajući mrežu da nauči granice odlučivanja koje su stabilne pod takvim perturbacijama.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/sr/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.
- Аугментација податакаDuboko učenje↔ compare
- Generativna suparnička mrežaDuboko učenje↔ compare
- Detekcija van distribucijeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →