文档摘要

3.1 对抗训练与鲁棒优化 本节摘要：对抗训练（adversarial training）是当前最有效的防御手段。它的原理很直觉：用攻击算法（通常是 PGD）实时生成对抗样本，把这些对抗样本和原标签一起喂给模型训练，让模型在训练过程中就不断"见识"攻击、学会抵抗。训练完的模型决策边界更平滑、对扰动更不敏感，对抗鲁棒性大幅提升。 会员。《3.1 对抗训练与鲁棒优化》收录于灏天文库文集《AI安全与对抗机器学习》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/649-ai%E5%AE%89%E5%85%A8%E4%B8%8E%E5%AF%B9%E6%8A%97%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流