自适应 l^p-FGSM 缓解对抗训练过拟合
热点事件持续更新
自适应 l^p-FGSM 缓解对抗训练过拟合
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Fares B. Mehouachi 等作者提出一种自适应 l^p-FGSM 方法，仅通过控制 l^p 训练范数来缓解快速对抗训练中的灾难性过拟合，无需噪声注入、正则化或梯度裁剪。作者称，灾难性过拟合在 l^∞ 范数下比 l^2 范数下更普遍，并用 Participation Ratio 与熵量化梯度集中度，据此让方法根据梯度信息自动调节训练范数。 实验显示该方法取得有竞争力的鲁棒性，代码已公开。
AI 根据报道生成 · 49 分钟前更新
最新进展10月26日 12:00
用无噪声 l^p 范数控制缓解快速对抗训练中的灾难性过拟合报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv cs.AI用无噪声 l^p 范数控制缓解快速对抗训练中的灾难性过拟合
研究提出一种仅通过控制 l^p 训练范数来缓解灾难性过拟合（CO）的方法，无需噪声注入、正则化或梯度裁剪。作者发现 CO 在 l^∞ 范数下比 l^2 范数下更普遍，并用 Participation Ratio 与熵量化梯度集中度，据此设计自适应 l^p-FGSM 自动调节训练范数。实验显示该方法取得有竞争力的鲁棒性，代码已公开。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。