ICMLJun, 2021

长期交叉对抗训练：一种鲁棒元学习方法用于少样本分类任务

PDF
TL;DR本文提出了一种基于长期交叉对抗训练 (LCAT) 的元学习方法，在自然和对抗样本分布方向上进行跨更新，以提高元学习模型的对抗性和干净的 Few-shot 分类准确性，实验结果表明，LCAT 在对抗样本上和干净样本上的 Few-shot 识别准确性上都优于目前最先进的元学习模型的对抗训练方法。
meta-learningfew-shot learningadversarial robustnessadversarial trainingneural network
发现论文，激发创造
  • 对抗性鲁棒少样本学习：一种元学习方法

    本研究旨在开发 Adversarial Querying 算法以生成对小样本图像分类具有鲁棒性的元学习器，并比较其与迁移学习方式的性能表现，结果表明在 Mini-ImageNet 和 CIFAR-FS 等图像分类任务上，该方法具有远优于传统迁移学习方法的鲁棒表现。

    Oct, 2019

  • 元对抗学习的跨域少样本学习

    本研究提出一种基于元学习和对抗训练的元领域适应框架，用于解决 few-shot 关系分类在跨领域场景中的问题，并在实验中验证了该模型的有效性。

    Feb, 2022

  • 引入自适应连续对抗训练（ACAT）以增强机器学习的鲁棒性

    连续自适应对抗训练（ACAT）不断地将对抗训练样本整合到模型中，使用实际检测到的对抗数据，增强模型对不断演变的对抗威胁的抵抗能力，同时减轻灾难性遗忘，并降低了对抗样本检测所需的总时间。

    Mar, 2024

  • 元学习对抗域适应网络用于小样本文本分类

    本文提出了一种新的元学习框架，集成对抗域适应网络，旨在提高模型的适应能力并为新类别生成高质量的文本嵌入。在四个基准数据集上进行了大量实验，结果表明我们的方法在所有数据集上都明显优于现有技术，特别是在 20 个新闻组数据集上，1-shot 和 5-shot 分类的准确性从 52.1％提高到 59.6％和从 68.3％提高到 77.8％。

    Jul, 2021

  • Few-shot 图像分类中的敌对鲁棒性简单方法

    本文研究了如何使用转移学习训练鲁棒的少样本分类器，并提出了一种基于校准中心点的分类方法。我们证明，将标准对抗训练应用于基础类别，并结合针对新类别的校准中心点分类器，可以在少样本学习的标准基准测试中超越或与最先进的高级方法持平。我们的方法简单易用，易于扩展，几乎不需要额外的工作量就能使少样本分类器更加稳健。

    Apr, 2022

  • 模型无关元学习中的快速对抗性鲁棒性适应

    提出了一种基于元学习的小样本学习框架，通过在元模型更新阶段引入鲁棒性正则化来提高模型的对抗鲁棒性，在此基础上，提出了一个通用的鲁棒性正则化的元学习框架，可以使用不带标签的数据增强和对抗性攻击技术来实现有效的鲁棒性训练。此外，引入辅助对比学习任务进一步提高了模型的鲁棒性。

    Feb, 2021

  • 通过对抗任务增强的跨领域少样本分类

    针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

    Apr, 2021

  • 用对抗性类别存储进行连续少样本学习

    本文定义了一个新问题：不断出现的少样本学习；提出了 Continual Meta-Learner 来解决此问题，并在 MiniImageNet 和 CIFAR100 两个图像数据集上进行了广泛实验，表明 CML 在少量样本学习任务的分类准确性方面实现了现有最先进水平并避免了灾难性遗忘。

    Jul, 2022

  • 面向 Few-shot Learning 的任务无关元学习

    本文提出了一种基于熵和不等式优化的任务不可知元学习算法，可以在避免过度适应已有任务和提高元学习器泛化性能方面有效地解决少样本学习问题，并在少量分类和强化学习任务中表现优异。

    May, 2018

  • 自适应注意力的小样本分类

    本文提出一种新的 few-shot 学习方法，通过优化和快速适应查询样本的表示来改进 few-shot 分类，所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上，实验证明了所提出模型的分类结果达到了最先进水平。

    Aug, 2020