Змагальне навчання
Змагальне навчання — це процедура стійкої оптимізації для глибоких нейронних мереж, у якій модель навчається не лише на чистих даних, а й на зразках із найгіршими збуреннями, створеними під час навчання. Формалізований Мадрі та ін. (2018) як задача оптимізації з мінімаксним сідловим пунктом, цей метод використовує проєкційні градієнтні спуски (PGD) для генерації сильних змагальних прикладів у межах обмеженої Lp-множини збурень перед кожним оновленням градієнта, змушуючи мережу вивчати межі прийняття рішень, які є стабільними за таких збурень.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Adversarial Training (Robust Optimization for DL). ScholarGate. https://scholargate.app/uk/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.
- Аугментація данихГлибоке навчання↔ compare
- Генеративно-змагальна мережаГлибоке навчання↔ compare
- Виявлення позарозподільних данихМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →