[论文笔记]INSTANCE ADAPTIVE ADVERSARIAL TRAINING: IMPROVED ACCURACY TRADEOFFS IN NEURAL NETS

时间 2020-12-20

原文原文链接

研究背景对抗训练是目前最有效的提升深度学习模型鲁棒性的方法。但问题在于对抗训练后常常会伴随着原始样本分类正确率的下降，这是对抗训练存在的一大问题。主要贡献本文分析了对抗训练导致原始样本分类正确率下降的主要原因本文提出了一种新的对抗训练方法，在模型对抗鲁棒性持平的情况下提升原始样本的分类正确率主要方法 1、对抗训练对于原始样本分类的影响本文提出，目前所有的对抗训练都是固定了噪声大小，例如

>>阅读原文<<

1. Generative Adversarial Nets论文笔记
2. 论文笔记：Generative Adversarial Nets
3. 《C-RNN-GAN: Continuous recurrent neural networks with adversarial training》论文笔记
4. 论文笔记之：Generative Adversarial Nets
5. Generative Adversarial Nets 论文阅读笔记
6. 论文阅读笔记（四十六）：Generative Adversarial Nets
7. Generative Adversarial Nets笔记
8. 【阅读笔记】Generative Adversarial Nets
9. CHAPTER 11-Training Deep Neural Nets-part3
10. Generative Adversarial Nets[CycleGAN]
更多相关文章...
• SQL IN 操作符 - SQL 教程
• Swift for-in 循环 - Swift 教程
• Tomcat学习笔记（史上最全tomcat学习笔记）
• Scala 中文乱码解决