from paper Explaining and Harnessing Adversarial Examples ICLR 2015
Eq.(1)
E x , y ∼ p data ζ ( y ( ϵ ∥ w ∥ 1 − w T x − b ) ) \mathbb{E}_{x,y \sim p_{\text{data}}} \zeta(y(\epsilon \|w\|_1 - w^T x - b)) Ex,y∼pdataζ(y(ϵ∥w∥1−wTx−b))
E
数学期望符号,表示对某个随机变量取期望值(或平均值)。在这里表示对所有可能的输入x和对应标签的期望;
下标 x , y ∼ p data x,y \sim p_{\text{data}} x,y∼pdata
- 表示期望是对从数据分布(p_{\text{data}})中采样得到的x和y进行的。换句话说,x和y是按照训练数据的实际分布来采样的;
- (p_{\text{data}})是训练数据的概率分布;
ζ ( z ) \zeta(z) ζ(z)
(\zeta(z) = \log(1 + \exp(z))) :是softplus函数,它是对数回归中用于平滑损失的函数;
ϵ ∥ w ∥ 1 \epsilon \|w\|_1 ϵ∥w∥1
- ϵ \epsilon ϵ 是对抗扰动大小;
以上回答来自chatgpt 4o;