Adversariell träning
Adversariell träning är en robust optimeringsprocedur för djupa neurala nätverk där modellen tränas inte enbart på ren data utan även på värsta-fall-perturberade indata som skapas under träningen. Metoden, som formaliserades av Madry et al. (2018) som ett min-max sadelpunkts-problem, använder Projected Gradient Descent (PGD) för att generera starka adversariella exempel inom en begränsad Lp-perturbationsmängd före varje gradientuppdatering, vilket tvingar nätverket att lära sig beslutsgränser som är stabila under sådana perturbationer.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/sv/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.
- DataaugmenteringDjupinlärning↔ compare
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
- Detektion av data utanför fördelningenMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →