对抗性训练可以说是一种有效而耗时的方法，可以训练强大的深度神经网络来抵御强大的对抗性攻击。作为对效率低下的一种回应，我们提出了动态有效对抗训练（DEAT），该训练在训练过程中逐渐增加了对抗迭代的次数。此外，我们从理论上揭示了给定网络的Lipschitz常数下界与它对偏向例子的偏导数的大小的联系。在这一理论发现的支持下，我们利用梯度的大小来量化对抗训练的有效性，并确定调整训练程序的时机。这种基于幅度的策略是计算友好的，易于实现。它特别适合DEAT，也可以移植到多种对抗训练方法中。我们的事后调查表明，将训练型对抗性样本的质量保持在一定水平上对于实现有效的对抗性训练至关重要，这可能会为以后的研究提供一些启示。



"点击查看英文标题和摘要"