Запис доказів методу

Adversarial Training

Adversarial Training is a robust optimization procedure for deep neural networks in which the model is trained not on clean data alone but on worst-case perturbed inputs crafted during training. Formalized by Madry et al. (2018) as a min-max saddle-point problem, the method uses Projected Gradient Descent (PGD) to generate strong adversarial examples within a bounded Lp perturbation set before each gradient update, forcing the network to learn decision boundaries that are stable under such perturbations.

Sources recorded, not reviewed

Запис джерела

Цитати скопійовано дослівно з вихідного запису методу. Вони не передбачають перевірки на рівні тверджень.

Adversarial Training (Robust Optimization for DL)

Запис таксономічного методу · ml-model / deep-learning

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). · URL

Відкрити повний метод

Відібрані твердження

Твердження збережено в журналі доказів, кожне зі своєю оцінкою.

Відібраних тверджень ще немає

Цей перегляд не вигадує оцінку твердження, якщо в журналі її немає.

Пов'язані методи

Згенеровано з графа методів і показано як рекомендовані системою зв'язки — жодне твердження доказів не передбачається.

Taxonomic bucketData Augmentationmachine-suggested · Relational suggestion, not evidence.Same method familyGenerative Adversarial Networkmachine-suggested · Relational suggestion, not evidence.Same method familyOut-of-Distribution Detectionmachine-suggested · Relational suggestion, not evidence.