TensorFlow中的神经结构学习 神经结构化学习(NSL)是一种新的学习范例,可通过利用结构化信号和特征输入来训练神经网络。 结构可以是由图[1,2,5]表示的显式结构,也可以由对抗性扰动[3,4]引起的隐式结构。 结构化信号通常用于表示可能被标记或未标记的样本之间的关系或相似性。 在神经网络训练期间利用这些信号可以同时利用标记和未标记的数据,这可以提高模型的准确性,尤其是在标记的数据量相对较小的情况下。 此外,使用对抗性扰动生成的样本训练的模型已显示出对恶意攻击的鲁棒性,恶意攻击旨在误导模型的预测或分类。 NSL概括了神经图学习[1]和对抗性学习[3]。 TensorFlow中的N