小样本利器2如何应用于文本对抗与FGSM半监督学习？

本文共计2183个文字，预计阅读时间需要9分钟。

这一章我们将探讨如何结合FGSM、FGM和VAT来提升对抗训练的效果，以及如何通过对抗训练结合半监督学习来增强模型的鲁棒性。其中，FGSM主要阐述了对抗样本存在的特性和对抗训练提升模型鲁棒性的原理，而VAT的两篇论文分别提出了不同的方法来提高模型对对抗样本的抵抗力。

这一章我们结合FGSM，FGM，VAT看下如何使用对抗训练，以及对抗训练结合半监督来提升模型的鲁棒性。其中FGSM主要论述了对抗样本存在性和对抗训练提升模型鲁棒性的原因，VAT的两篇是对抗在CV领域应用的论文，而FGM是CV迁移到NLP的实现方案，一作都是同一位作者大大，在施工中的Simple Classification提供了FGM的tensorflow实现～ 小样本利器2.文本对抗+半监督 FGSM & VAT & FGM代码实现

上一章我们聊了聊通过一致性正则的半监督方案，使用大量的未标注样本来提升小样本模型的泛化能力。这一章我们结合FGSM，FGM，VAT看下如何使用对抗训练，以及对抗训练结合半监督来提升模型的鲁棒性。本章我们会混着CV和NLP一起来说，VAT的两篇是CV领域的论文，而FGM是CV迁移到NLP的实现方案，一作都是同一位作者大大。