اکسپرس 24
ترجمه فارسی مقاله آموزش سریع تخاصمی مبتنی بر طبقه‌بندی

ترجمه فارسی مقاله آموزش سریع تخاصمی مبتنی بر طبقه‌بندی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Taxonomy Driven Fast Adversarial Training
عنوان مقاله به فارسی آموزش سریع تخاصمی مبتنی بر طبقه‌بندی
نویسندگان Kun Tong, Chengze Jiang, Jie Gui, Yuan Cao
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 21 July, 2024; originally announced August 2024. , Comments: This paper is accepted by AAAI
توضیحات به فارسی ارسال شده 21 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این مقاله توسط AAAI پذیرفته شده است

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 560,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Adversarial training (AT) is an effective defense method against gradient-based attacks to enhance the robustness of neural networks. Among them, single-step AT has emerged as a hotspot topic due to its simplicity and efficiency, requiring only one gradient propagation in generating adversarial examples. Nonetheless, the problem of catastrophic overfitting (CO) that causes training collapse remains poorly understood, and there exists a gap between the robust accuracy achieved through single- and multi-step AT. In this paper, we present a surprising finding that the taxonomy of adversarial examples reveals the truth of CO. Based on this conclusion, we propose taxonomy driven fast adversarial training (TDAT) which jointly optimizes learning objective, loss function, and initialization method, thereby can be regarded as a new paradigm of single-step AT. Compared with other fast AT methods, TDAT can boost the robustness of neural networks, alleviate the influence of misclassified examples, and prevent CO during the training process while requiring almost no additional computational and memory resources. Our method achieves robust accuracy improvement of $1.59%$, $1.62%$, $0.71%$, and $1.26%$ on CIFAR-10, CIFAR-100, Tiny ImageNet, and ImageNet-100 datasets, when against projected gradient descent PGD10 attack with perturbation budget 8/255. Furthermore, our proposed method also achieves state-of-the-art robust accuracy against other attacks. Code is available at https://github.com/bookman233/TDAT.

چکیده به فارسی (ترجمه ماشینی)

آموزش مخالف (AT) یک روش دفاعی مؤثر در برابر حملات مبتنی بر شیب برای تقویت استحکام شبکه های عصبی است.در میان آنها ، تک مرحله ای به دلیل سادگی و کارآیی آن به عنوان یک موضوع کانون ظاهر شده است ، و فقط به یک انتشار شیب در تولید نمونه های مخالف نیاز دارد.با این وجود ، مشکل بیش از حد فاجعه بار (CO) که باعث فروپاشی آموزش می شود ، همچنان ضعیف درک نشده است ، و بین دقت قوی حاصل از تک و چند مرحله ای در یک شکاف وجود دارد.در این مقاله ، ما یک یافته غافلگیرکننده را ارائه می دهیم که طبقه بندی نمونه های مخالف ، حقیقت شرکت را بر اساس این نتیجه گیری نشان می دهد ، ما آموزش های سریع مخالف (TDAT) را که به طور مشترک بهینه سازی هدف یادگیری ، عملکرد از دست دادن و روش اولیه سازی را بهینه می کند ، پیشنهاد می کنیم.می تواند به عنوان یک الگوی جدید تک مرحله ای در نظر گرفته شود.در مقایسه با سایر روشها ، TDAT می تواند استحکام شبکه های عصبی را تقویت کند ، تأثیر نمونه های نادرست طبقه بندی شده را کاهش دهد و در طی فرایند آموزش از CO جلوگیری کند در حالی که تقریباً نیازی به منابع محاسباتی و حافظه اضافی ندارد.روش ما به بهبود دقت 1.59 $ ٪ $ ، 1.62 $ ٪ $ ، 0.71 $ ٪ $ و 1.26 $ $ در Cifar-10 ، Cifar-100 ، کوچک و ImageNet-100 داده می شود ، در حالی که در برابر تمایل شیب پیش بینی شده است.حمله PGD10 با بودجه آشفتگی 8/255.علاوه بر این ، روش پیشنهادی ما همچنین به دقت قوی در برابر سایر حملات دست پیدا می کند.کد در https://github.com/bookman233/tdat در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.