新的PAC-贝叶斯框架解释了对抗训练过拟合

研究人员开发了一个新的PAC-贝叶斯分析框架，以理解对抗训练中鲁棒过拟合的现象。通过将具有动量SGD的对抗训练建模为一个离散时间动力学系统，该框架提供了时域解析的鲁棒泛化界限。这种方法将模型的鲁棒泛化性能与学习率、局部损失几何和迷你批次随机梯度等因素联系起来，深入了解了鲁棒过拟合的潜在机制，并提出了改进泛化的方法。 AI

影响 提供了一个理论框架，以提高对抗训练的鲁棒性并减轻机器学习模型的过拟合。

排序理由 该集群包含一篇研究论文，详细介绍了理解机器学习动态的新分析框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Influence Flower
• PAC-bayesian learning
• ScienceCast
• SGD
• Yuelin Xu

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →