サインイン
インサイト - Adversariales Training
Verbesserung des adversariellen Trainings durch eine auf der Fisher-Rao-Norm basierende Regularisierung
Der Hauptbeitrag dieser Arbeit ist die Entwicklung eines neuartigen Regularisierungsverfahrens namens Logit-Oriented Adversarial Training (LOAT), das die Leistung gängiger adversarieller Trainingsalgorithmen ohne wesentlichen Rechenaufwand verbessern kann.
Adversariales Training als Nicht-Nullsummenspiel formulieren: Eine neue Herangehensweise zur Verbesserung der Robustheit von Klassifizierern
Die übliche Formulierung des adversarialen Trainings als Nullsummenspiel führt zu schwachen Angreifern und ineffektiven Verteidigern. Stattdessen sollten Angreifer und Verteidiger unterschiedliche Zielfunktionen optimieren, was zu einem Nicht-Nullsummenspiel führt. Diese neue Formulierung ermöglicht ein einfaches, heuristikfreies Algorithmus-Framework, das mit dem Stand der Technik vergleichbare Robustheit erreicht und kein robustes Überfitting aufweist.
© 2024 by Linnk AI