研究目的
为了提高神经网络对不同对抗性噪声模型的鲁棒性,这些噪声模型会显著降低神经网络的性能——而该网络在正常(未受干扰)测试数据上原本表现良好。
研究成果
与现有最先进技术相比,基于K-支持范数的训练方法显著提升了神经网络对抗对抗噪声的鲁棒性。然而,鲁棒性的提升未必能同步降低泛化误差。
研究不足
研究发现,使用噪声模型训练神经网络并不总能同时提高其在扰动测试集和正常测试集上的准确率。此外,K-支持方法对均匀随机噪声的鲁棒性较差。
研究目的
为了提高神经网络对不同对抗性噪声模型的鲁棒性,这些噪声模型会显著降低神经网络的性能——而该网络在正常(未受干扰)测试数据上原本表现良好。
研究成果
与现有最先进技术相比,基于K-支持范数的训练方法显著提升了神经网络对抗对抗噪声的鲁棒性。然而,鲁棒性的提升未必能同步降低泛化误差。
研究不足
研究发现,使用噪声模型训练神经网络并不总能同时提高其在扰动测试集和正常测试集上的准确率。此外,K-支持方法对均匀随机噪声的鲁棒性较差。
加载中....
您正在对论文“[2019年IEEE国防光子学研究与技术应用会议(RAPID) - 美国佛罗里达州米拉马尔海滩(2019.8.19-2019.8.21)] 2019年IEEE国防光子学研究与技术应用会议(RAPID) - 多极与超表面量子阱发射器”进行纠错
纠错内容
联系方式(选填)
称呼
电话
单位名称
用途
期望交货周期
称呼
电话
单位名称
用途
期望交货周期