PulseAugur
中
实时 06:05:46
English(EN) Generalization and Trade-off in Adversarial Training: An RKHS Perspective via Kernel Integral Operators

新的RKHS框架揭示了对抗性训练的权衡

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的理论框架，用于在再生核希尔伯特空间（RKHS）的背景下理解对抗性训练。他们的分析揭示了对抗性鲁棒性与泛化准确性之间存在根本性的权衡，表明与最小最大预测基准相比，对抗性训练可能导致统计准确性下降。为了缓解这种情况，他们提出了一种两阶段去噪程序，旨在提高泛化率并达到最小最大多项式速率。 AI

影响 为对抗性训练的局限性提供了理论见解，并提出了一种改进泛化能力的方法。

排序理由 学术论文，详细介绍了对抗性训练的理论进展。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新的RKHS框架揭示了对抗性训练的权衡

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Yiling Xie, Xiaoming Huo ·

    对抗训练中的泛化与权衡：通过核积分算子从RKHS视角看

    arXiv:2607.27995v1 Announce Type: new Abstract: Adversarial training has emerged as a powerful approach for protecting models against adversarial attacks in a broad range of real-world applications. In this paper, we study adversarial training in the reproducing kernel Hilbert sp…

相关实体

相关话题