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在正常(未受干扰)测试数据上原本良好的性能。
研究成果
基于K-支持范数的训练方法相比现有最先进技术,在对抗噪声鲁棒性方面显示出显著提升。然而,鲁棒性的提高未必能同步提升泛化性能。
研究不足
使用噪声模型训练神经网络并不总能同时提高对扰动测试集和正常测试集的准确率。K-支持方法对均匀随机噪声的鲁棒性不强。
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在正常(未受干扰)测试数据上原本良好的性能。
研究成果
基于K-支持范数的训练方法相比现有最先进技术,在对抗噪声鲁棒性方面显示出显著提升。然而,鲁棒性的提高未必能同步提升泛化性能。
研究不足
使用噪声模型训练神经网络并不总能同时提高对扰动测试集和正常测试集的准确率。K-支持方法对均匀随机噪声的鲁棒性不强。
加载中....
您正在对论文“[2019年IEEE光子学与电磁学研究春季研讨会(PIERS-Spring)- 意大利罗马(2019.6.17-2019.6.20)] 2019光子学与电磁学研究春季研讨会(PIERS-Spring)- 集成光子学功能材料:有机材料在硅基光子集成电路中的混合集成,用于先进光调制器与光源”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