Hồ sơ bằng chứng phương pháp

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

Hồ sơ nguồn

Các trích dẫn được sao chép nguyên văn từ hồ sơ nguồn của phương pháp. Không có xác minh cấp độ yêu cầu nào được suy ra từ chúng.

Adversarial Training (Robust Optimization for DL)

Hồ sơ phương pháp phân loại · 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

Mở phương pháp đầy đủ

Các yêu cầu được tuyển chọn

Các yêu cầu được lưu trữ trong sổ cái bằng chứng, mỗi yêu cầu có đánh giá riêng.

Chưa có yêu cầu được tuyển chọn

Chế độ xem này không tạo ra đánh giá yêu cầu khi sổ cái không có.

Các phương pháp liên quan

Được tạo từ biểu đồ phương pháp và hiển thị dưới dạng các mối quan hệ được đề xuất bởi máy — không có yêu cầu bằng chứng nào được suy ra.

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.