Apprentissage par machine de l'adversaire

Cette séance de cours couvre l'apprentissage par machine et les réseaux d'adversaires générateurs, en mettant l'accent sur les mathématiques derrière l'optimisation des données, la minimisation empirique des risques, et les défis posés par les exemples d'adversaires. L'instructeur se penche sur la théorie et le calcul des attaques antagonistes, la formulation de la formation contradictoire et la mise en œuvre pratique de réseaux antagonistes générateurs. La séance de cours explore également la dualité de la distance 1-Wasserstein, les paramètres de probabilité intégrale, et l'entraînement stochastique des GANs de Wasserstein. Différents problèmes d'optimisation, tels que les coupures de poids et les pénalités de gradient, sont discutés dans le contexte de l'application des contraintes de Lipschitz dans les réseaux neuraux.