การฝึกแบบปฏิปักษ์
การฝึกแบบปฏิปักษ์ (Adversarial Training) เป็นกระบวนการปรับให้เหมาะสมอย่างทนทานสำหรับโครงข่ายประสาทเทียมเชิงลึก ซึ่งแบบจำลองจะได้รับการฝึกโดยไม่ใช้เพียงข้อมูลที่สะอาดเท่านั้น แต่ยังใช้ข้อมูลนำเข้าที่ถูกรบกวนในกรณีที่เลวร้ายที่สุดซึ่งสร้างขึ้นระหว่างการฝึก วิธีการนี้ได้รับการกำหนดเป็นทางการโดย Madry et al. (2018) ในฐานะปัญหาจุดอานม้าแบบมินิแมกซ์ โดยใช้วิธี Projected Gradient Descent (PGD) เพื่อสร้างตัวอย่างปฏิปักษ์ที่แข็งแกร่งภายในชุดการรบกวน Lp ที่มีขอบเขต ก่อนการปรับปรุงเกรเดียนต์แต่ละครั้ง ซึ่งบังคับให้โครงข่ายเรียนรู้ขอบเขตการตัดสินใจที่มีเสถียรภาพภายใต้การรบกวนดังกล่าว
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/th/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.
- การเพิ่มข้อมูลการเรียนรู้เชิงลึก↔ compare
- โครงข่ายปฏิปักษ์เชิงกำเนิดการเรียนรู้เชิงลึก↔ compare
- การตรวจจับข้อมูลนอกการแจกแจงการเรียนรู้ของเครื่อง↔ compare