不僅能提高對抗的能力，也是取之不盡的想法。文章摘要已有應用實驗證明，gan的預測精度明顯超過單純的深度卷積網絡，這說明深度卷積網絡在ai領域的應用前景廣闊。由於隨著深度卷積網絡越來越深，對抗輸入的維度也越來越高，網絡預測精度相對於一般卷積網絡進步了一個層次。單純使用高層卷積核訓練得到的網絡，與深度網絡相比，因其輸入的噪聲能量更大，網絡表現更加不精確，因此對抗輸入訓練的算法過程更加嚴格，需要更大的dnn來進行計算和訓練。
該文將進一步通過對抗損失函數來降低對抗損失函數的效用，並且使用優化ranknet-2模型實現對抗損失函數。同時將softmax函數映射到了循環網絡中，即將損失函數映射到了dnn整體和用戶的得分之間的差值之間的回歸梯度，增強網絡網絡的泛化能力。論文作者前沿方向：深度卷積網絡，自動編碼器，降噪預測（nlp,語音處理）實驗設置：隨機圖片或手工標註數據，dnn模型，集成經典深度卷積網絡，對抗訓練和dnn用戶得分回歸模型，softmax。項目連結：應用效果在對抗樣本處理中，深度網絡之所以能夠顯著地提高預測精度，這歸功於深度網絡結構的複雜性導致了對抗樣本能夠很容易地在深度網絡模型中大規模訓練並收斂。
在這篇文章中，作者將對抗樣本的算法應用到了ai領域，並證明深度網絡在ai領域的應用前景廣闊。作者將對抗樣本直接通過深度卷積網絡表示，並用梯度下降作為優化方式，來優化深度網絡，以降低對抗樣本的影響。與此同時，作者在對抗樣本訓練過程中引入了一個隨機圖片作為輸入作為對抗樣本訓練用戶得分回歸模型。基於對抗樣本訓練的一系列結果，作者在測試集上對對抗樣本的預測精度進行了一系列的訓練並且使用交叉熵損失來進行損失函數優化，以減小對抗樣本對學習能力的影響。由於單純使用高層卷積核訓練得到的網絡，因其輸入的噪聲能量更大，網絡表現更加不精確，因此對抗輸入訓練的算法過程更加嚴格，需要更大的dnn來進行計算和訓練。在對抗樣本訓練過程中，不論是集成經典深度卷積網絡還是對抗訓練（單純的對抗損失函數），其預測精度都提高了一個層次。
深度網絡模型與一般卷積網絡相比，因其輸入的噪聲能量更大，網絡表現更加不精確，因此對抗輸入訓練的算法過程更加嚴格，需要更大的dnn來進行計算和訓練。但是，對抗輸入訓練的算法過程更加嚴格，需要更大的dnn來進行計算和訓練。研究工作文章涉及到的前沿方向：深度卷積網絡。自動編碼器。對抗損失函數。優化ranknet-2模型。