En primer lugar, para comprender el contexto que debe conocer sobre Machine Learning y Deep Learning en general.
El aprendizaje automático adversario estudia varias técnicas en las que dos o más subcomponentes (clasificadores de aprendizaje automático) tienen una recompensa opuesta (o función de pérdida). Las aplicaciones más típicas del aprendizaje automático adversario son: GAN y ejemplos adversos. También puede encontrar aplicaciones de este enfoque en otros documentos de aprendizaje automático.
En GAN (red de confrontación generativa) tiene dos redes: generador y discriminador. El objetivo del generador es generar muestras realistas y el objetivo del discriminador es distinguir las muestras generadas y las reales.
- ¿Es técnicamente posible que me siente en un sofá fijo (sofá) durante tres días y tenga unas buenas vacaciones viajando a Francia y solo pague $ 99.99?
- ¿Cómo usan las empresas las máquinas virtuales?
- ¿Qué significa RESTful y por qué es significativo?
- ¿Qué tipo de algoritmos usan los solucionadores SAT?
- ¿Qué modelo de aprendizaje automático ha demostrado ser más exitoso (o es el más utilizado) en el comercio / finanzas cuantitativas?
Los ejemplos adversarios son muestras de entrada ligeramente perturbadas que causan una clasificación errónea. Los ejemplos adversarios generalmente se consideran en el contexto de la robustez y la seguridad del aprendizaje automático. Los dos subcomponentes con recompensas opuestas son los siguientes. Hay un clasificador de aprendizaje automático que generalmente está optimizado para lograr una alta precisión y una buena generalización, y hay un adversario cuyo objetivo es engañar al clasificador de aprendizaje automático perturbando la entrada.
Si desea obtener más información, hay una página de Github con una buena selección de documentos y materiales de lectura sobre aprendizaje automático adversario: yenchenlin / awesome-adversarial-machine-learning