SOAR: 二阶对抗正则化
提出了一种使用二次近似的拟合函数的新型规则化器,并通过迭代计算逼近最坏情况二次损失,从而在具有良好的鲁棒性的同时避免了梯度混淆和降低了训练时间。实验证明,该模型产生的人类可解释性特征优于其他几何正则化技术,并且这些鲁棒特征可用于提供人性化的模型预测解释。
Sep, 2020
以模型复杂性为视角解决对抗训练中标准泛化性能的下降问题,通过使用 Logit-Oriented Adversarial Training (LOAT) 提出了一种新的正则化框架,可以在几乎不增加计算开销的情况下平衡鲁棒性与准确性,提高对抗性训练算法的性能。
Mar, 2024
本文提出了一种新的数据依赖性结构化梯度正则化器,旨在增加神经网络对抗扰动的鲁棒性,该正则化器可以从第一原理中导出。实验证据表明,结构化梯度正则化是对抗低水平信号污染攻击的有效一线防御。
May, 2018
本文介绍了一种新型的正则化方法,该正则化方法鼓励在训练数据附近的损失行为呈线性,从而惩罚梯度混淆并鼓励鲁棒性。通过在 CIFAR-10 和 ImageNet 上的大量实验,我们展示了使用我们的正则化方法训练的模型避免了梯度混淆,并且比对抗训练能够更快地训练。使用这种正则化方法,我们在 ImageNet 上取得了 47% 的对抗准确率和 8/255 的和 CIFAR-10 同样的表现。
Jul, 2019
基于异常值健壮的对抗训练(ORAT)是在传统健壮学习方法和最近的对抗训练方法的基础上开发的,以同时处理低质量训练数据和推理时的敌对攻击,并在三个基准数据集上展示了其有效性和鲁棒性。
Sep, 2023
本文提出了一种称为 S²O 的 Second-Order Statistics Optimization 的方法,通过优化权重的二阶统计量,加强了对抗训练,从而提高了深度神经网络的鲁棒性和泛化能力;实验证明 S²O 方法不仅可以单独应用于提高模型性能,还可以与 TRADES、AWP、MART 和 AVMixup 等对抗训练技术集成,以获得更好的性能。
Mar, 2022
本文研究了神经网络建模的正则化视角,通过将模型向分类决策边界的平滑变化进行防御,使其尽可能不改变预测结果,但会导致预测结果的置信度下降,这种正则化方法要避免性能下降。
Nov, 2020
SOAR 是一种新的数据索引技术,用于近似最近邻搜索。它通过使用正交扩增残差损失来优化每个表示,从而提高索引质量,同时保持快速索引时间和低内存消耗,从而获得最先进的 ANN 基准性能。
Mar, 2024