---
title: "對抗訓練（Adversarial Training）"
slug: adversarial-training
language: zh-TW
source: https://aiterms.tw/terms/adversarial-training
updated_at: 2026-06-22
tags: [機器學習, AI倫理與治理, 神經網路, 深度學習]
ipas_term: false
---

# 對抗訓練（Adversarial Training）

一種透過引入具有對抗特性的數據樣本來強化模型穩健性的機器學習訓練方法，能夠提升模型在面對惡意攻擊或分佈外輸入時的防禦能力。

## 完整說明

對抗訓練是一種特殊的模型優化技術，在訓練過程中刻意加入經過精心設計的「對抗樣本」。這些對抗樣本能對模型產生混淆，促使模型學習如何識別並正確處理這類具有挑戰性的輸入。這種方法能顯著增強模型的魯棒性，使其在面臨小幅度攻擊性修改時仍能保持準確性。

## 常見問題

### 對抗訓練會顯著影響模型的性能嗎？

對抗訓練會帶來一些權衡。在大多數情況下，經過對抗訓練的模型在標準測試集上的準確率會略有下降，通常下降幅度在 2-5% 之間。例如，在 ImageNet 上，對抗訓練的 ResNet 模型準確率可能從 76% 下降到 71%。然而，這個準確率下降帶來的好處是模型的魯棒性大幅提升。此外，通過調整訓練策略（如漸進式對抗訓練）和混合訓練方法，可以在一定程度上減輕這種性能損失。

### 對抗訓練需要多長時間？

對抗訓練的計算成本顯著高於標準訓練。因為每個批次都需要生成對抗樣本（通常需要多次迭代），訓練時間通常是普通訓練的 2-4 倍。例如，標準的 ResNet50 訓練可能需要 100 小時，而進行對抗訓練可能需要 200-400 小時。這使得對抗訓練在資源受限的場景中成為挑戰。然而，隨著硬體加速和更高效的對抗樣本生成算法的出現，這個時間成本正在逐漸降低。

### 對抗訓練能完全防止對抗攻擊嗎？

不能。對抗訓練提升了模型對特定型別對抗攻擊的抵禦能力，但無法提供絕對防禦。攻擊者可以開發出「自適應攻擊」，這種攻擊充分利用對抗訓練的防禦機制本身來設計新的對抗樣本。這導致了一個貓鼠遊戲的局面：防禦方改進防禦，攻擊方發展出新的攻擊，循環往復。因此，對抗訓練應被視為一層防禦機制，而非終極解決方案。

---

來源：https://aiterms.tw/terms/adversarial-training
快查頁：https://aiterms.tw/terms/adversarial-training
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-adversarial-training