Logo boatexistence.com

Wie funktioniert kontradiktorisches Training?

Inhaltsverzeichnis:

Wie funktioniert kontradiktorisches Training?
Wie funktioniert kontradiktorisches Training?

Video: Wie funktioniert kontradiktorisches Training?

Video: Wie funktioniert kontradiktorisches Training?
Video: HEAVY HIT RÜCKEN TRAINING - INTENSITÄT durch GEWICHT und TECHNIK 2024, Juni
Anonim

Beim gegnerischen Training werden die Trainingsdaten durch „gegnerische“Samples ergänzt, die mit einem Angriffsalgorithmus generiert werden Wenn der Angreifer einen ähnlichen Angriffsalgorithmus verwendet, um gegnerische Beispiele zu generieren, trainiert der Gegner Netzwerk kann gegenüber Angriffen recht robust sein.

Wie funktioniert kontradiktorisches Lernen?

Adversarial Machine Learning ist eine maschinelle Lerntechnik, die versucht, Modelle zu täuschen, indem sie irreführende Eingaben liefert. … Die meisten maschinellen Lerntechniken wurden entwickelt, um an bestimmten Problemstellungen zu arbeiten, bei denen die Trainings- und Testdaten aus derselben statistischen Verteilung (IID) generiert werden.

Wie funktionieren kontradiktorische Beispiele?

Adversarial-Beispiele sind Eingaben in maschinelle Lernmodelle, die ein Angreifer absichtlich entworfen hat, um das Modell dazu zu bringen, einen Fehler zu machen; sie sind wie optische Täuschungen für Maschinen.… Ein negativer Input, der einem typischen Bild überlagert wird, kann dazu führen, dass ein Klassifikator einen Panda fälschlicherweise als Gibbon einstuft.

Was ist kontradiktorisches Training beim Deep Learning?

Ein gegnerischer Angriff kann beinh alten, dass einem Modell für maschinelles Lernen während des Trainings ungenaue oder falsch dargestellte Daten präsentiert werden oder böswillig entworfene Daten eingeführt werden, um ein bereits trainiertes Modell dazu zu bringen, Fehler zu machen.

Was ist selbstgegnerisches Training?

Zur weiteren Stärkung der Verteidigungsfähigkeit wird ein selbstüberwachtes Gegnertraining vorgeschlagen, das die gegenseitige Information zwischen den Darstellungen von Originalbeispielen und den entsprechenden Gegnerbeispielen maximiert.

Empfohlen: