Newest papers

ExGrad: Beyond Suppression - Explicit Clean-Gradient Subtraction in Adversarial Training

Zhiyuan Ye, Xiangyu Zhou, Ji Qi, Hao Zhang, Yi Zhou · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30018 · open-access PDF

Spanish

El entrenamiento adversario deriva actualizaciones de las pérdidas de sustituto, pero el descenso de la fuente a la pérdida no caracteriza directamente el efecto de una actualización en los márgenes adversarios. Introducimos ExGrad (recomposición de gradientes extrapolativos), que construye gradientes de entrada limpia, entrada adversaria y peso adversario perturbado (AWP). Los pasos virtuales miden sus respuestas de margen, y un problema de tres variables globalmente solucionables selecciona coeficientes sobre un dominio de afinidad limitado sin restricciones de no negatividad. A través de los radios de afinidad en el CIFAR-10, los coeficientes de limpieza negativos predominan rápidamente y aumentan en magnitud

Machine translation (Meta M2M100); the English original follows.

Abstract

Adversarial training derives updates from surrogate losses, but source-loss descent does not directly characterize an update's effect on adversarial margins. We introduce ExGrad (extrapolative gradient recomposition), which constructs clean-input, adversarial-input, and adversarial-weight-perturbed (AWP) gradients. Virtual steps measure their margin responses, and a globally solvable three-variable problem selects coefficients over a bounded affine domain without nonnegativity constraints. Across affine radii on CIFAR-10, negative clean coefficients rapidly predominate and increase in magnitud

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange