一个极小极大优化控制方法用于稳健神经 ODE
原文中文，约300字，阅读约需1分钟。发表于：。本文基于鲁棒控制的视角讨论神经 ODE 的对抗训练，引入了一种替代经验风险最小化的方法，通过可靠处理输入扰动来实现可靠结果。将深度神经网络解释为控制系统离散化，利用控制理论的强大工具来开发和理解机器学习。我们将带有扰动数据的对抗性训练描述为极小极大最优控制问题，并推导出 Pontryagin's Maximum Principle...
本文提出了一种替代经验风险最小化的方法，通过处理输入扰动来实现可靠结果。利用控制理论的工具来开发和理解机器学习，将深度神经网络解释为控制系统离散化。文章提供了鲁棒训练的新解释，并在低维分类任务上进行了测试。
