概念Gradient Ascent
梯度上升
与梯度下降相反的优化方向，通过最大化损失函数来消除模型对特定数据的记忆，是机器遗忘领域常用的基线方法
时间轴 (近 90 天)
10月15日
对抗样本利用模型决策边界在高维空间中的脆弱性，网络的鲁棒性机制（如归一化、Dropout）对随机噪声有效但对对抗性扰动几乎无效，因为扰动方向正是梯度上升方向。
待验证50%
与梯度下降相反的优化方向，通过最大化损失函数来消除模型对特定数据的记忆，是机器遗忘领域常用的基线方法
对抗样本利用模型决策边界在高维空间中的脆弱性，网络的鲁棒性机制（如归一化、Dropout）对随机噪声有效但对对抗性扰动几乎无效，因为扰动方向正是梯度上升方向。