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

Vietnamese

Huấn luyện đối thủ bắt nguồn từ các bản cập nhật từ các tổn thất thay thế, nhưng giảm từ nguồn không đặc trưng trực tiếp cho hiệu ứng của bản cập nhật đối thủ. Chúng tôi giới thiệu ExGrad (tái tạo gradient extrapolative), tạo ra các gradient clean-input, adversarial-input và adversarial-weight-perturbed (AWP). Các bước ảo đo lường các phản ứng margin của họ, và một vấn đề ba biến có thể giải quyết toàn cầu chọn các coefficients trên một lĩnh vực affine có giới hạn mà không có các hạn chế không tiêu cực. Trên các bán kính affine trên CIFAR-10, các coefficient sạch tiêu cực nhanh chóng chiếm ưu thế và tăng cường về quy mô

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