對抗訓練

登入

洞見 - 對抗訓練

本文提出了一種名為「不確定性感知分佈式對抗訓練」（UAD-AT）的新方法，通過利用對抗樣本的統計信息及其相應的不確定性估計來增強對抗樣本的多樣性，從而提高模型對抗攻擊的魯棒性。

傳統的對抗訓練方法由於標準梯度和對抗梯度之間的衝突，無法在標準準確度和對抗魯棒性之間取得最佳平衡，而衝突感知對抗訓練（CA-AT）通過新的交易策略有效緩解了這種衝突，從而在標準準確度和對抗魯棒性之間取得了更好的平衡。

這篇文章提出了一種針對雙層多項式激活網路進行對抗訓練的凸半定規劃 (SDP) 方法，並證明該方法可以達到與非凸對抗訓練方法相同的全局最優解。

本文提出並評估了用於線性對抗訓練的高效優化演算法，包括用於迴歸問題的迭代加權嶺迴歸和用於分類問題的基於投影梯度下降的演算法家族，這些演算法在處理高維問題時展現出優於傳統方法的效率和性能。

現有的對抗訓練方法存在準確性和魯棒性之間的固有權衡，而本文提出了一種新的對抗訓練範式，透過引入虛擬類別來打破這種權衡，並提出了一種名為 DUCAT 的新方法，在不損害準確性的情況下顯著提高了模型的魯棒性。

關於我們

產品

資源