通过领域适应来提高对抗训练的泛化能力
本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法,并提出了一个新的对抗判别域自适应框架,称为 ADDA,它将判别建模、解除权重共享和 GAN 损失结合在一起,优于竞争的域对抗方法,且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。
Feb, 2017
通过主对抗领域适应的对抗性样例检测方法(AED-PADA),针对现有检测方法在广泛应用中存在的泛化性能较差的问题提出了解决方案,通过识别主对抗领域(PAD)并利用多源领域适应实现对对抗性样例的检测,实验表明我们的方法在具有极小幅度干扰的挑战性场景中具备突出的泛化能力。
Apr, 2024
本文提出一种名为 Adversarial Intensity Attack (AdverIN) 的与领域无关的方法,通过对抗性训练生成具有无限风格的训练数据,以增加数据多样性并提高分割模型的泛化能力,尤其适用于医学图像领域的多域分割数据集。
Apr, 2023
该研究使用一个基于样本性质筛选的简化训练方法,在保持分类结果鲁棒性不变的情况下,将医学图像和自动驾驶等领域的深度神经网络训练时间减少到原来的三分之一。
Mar, 2023
该研究论文介绍了新型对抗训练方法 ATTA,利用同一训练进程中相邻时期的模型具有高可转移性的特点,通过积累对抗扰动来增强训练模型的鲁棒性,并显著提高训练效率。相较于最先进的对抗训练方法,ATTA 在 CIFAR10 数据集上能提高 7.2% 的对抗准确性,在 MNIST 和 CIFAR10 数据集中只需 12-14 倍的训练时间就可以达到可比的模型鲁棒性。
Dec, 2019
本文提出了一种新的领域适应的表示学习方法,使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征,该方法增加了标准层和一个新的反向梯度层,可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。
May, 2015
该论文提出了一种新的动态对抗自适应网络(DAAN),旨在在量化评估全局和本地域分布的相对重要性的同时,动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练,并取得了比现有方法更好的分类准确性,结果表明对抗迁移学习中动态分布自适应的必要性和有效性。
Sep, 2019
提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法,其鼓励在输入实例的任何情况下,类别和域预测之间存在相互抑制关系,以解决现有方法中任务和域分类器相互独立导致的收敛问题,该方法能够在实际条件下定义一个最小极值博弈,促进联合分布对齐。除传统的闭集领域适应以外,还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中,在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。
Nov, 2019