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
与最先进技术相比,基于K-支持范数对抗噪声训练的神经网络在对抗噪声模型的鲁棒性方面表现出显著提升。然而,鲁棒性的提升未必能提高泛化性能。
研究不足
K-支持方法对均匀随机噪声的鲁棒性不强,且使用噪声模型进行训练并不总能同时提高扰动测试集和正常测试集上的准确率。
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
与最先进技术相比,基于K-支持范数对抗噪声训练的神经网络在对抗噪声模型的鲁棒性方面表现出显著提升。然而,鲁棒性的提升未必能提高泛化性能。
研究不足
K-支持方法对均匀随机噪声的鲁棒性不强,且使用噪声模型进行训练并不总能同时提高扰动测试集和正常测试集上的准确率。
加载中....
您正在对论文“具有独立控制双频带传输响应的双极化频率选择吸波器”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