AAAIMar, 2022

噪声增强的数据中心健壮机器学习效率

PDF
TL;DR研究数据为中心的机器学习，通过引入多种噪声，提出了一种高效的数据增强方案，以提高黑盒测试环境下模型的鲁棒性。该方法基于轻量级算法构建，经过全面的评估，证明了在计算成本和鲁棒性增强方面的有效性。作者还分享了他们从实验中获得的数据为中心的鲁棒机器学习的见解。
发现论文，激发创造
  • 加性噪声认证对抗鲁棒性

    本文提出一种可扩展的用于构造对抗样本的方法，通过建立抵抗对抗扰动和加法噪声之间的联系，提出了一种训练策略，并在 MNIST 等数据集上进行了评估。

    Sep, 2018

  • 使用补丁高斯扩充提高健壮性而不牺牲准确性

    本文介绍了一种名为 Patch Gaussian 的数据增强方法，通过随机添加高斯噪声来提高模型的鲁棒性，并在 CIFAR-10 和 ImageNet 数据集上取得了最先进的结果，在 COCO 目标检测基准测试中也有不错的表现。

    Jun, 2019

  • 用数据为中心的方法训练深度神经网络减少数据

    本论文总结了在数据中心人工智能比赛中的获胜结论，提出了针对小数据集训练的质量增强方法和基于生成对抗网络的数据点生成解决方案，并指出该管道生成的数据集在比基准要小的情况下提高了 5% 的准确度。

    Oct, 2021

  • 学习生成多攻击鲁棒性噪声

    提出一种新的元学习框架，利用 Meta Noise Generator（MNG）生成多种类型扰动下的优化噪声，提高模型的鲁棒性。通过使用 MNG 生成的样本进行训练，在多种扰动下强制标签一致性。在各种数据集和广泛的扰动下验证了我们方案培训的模型的鲁棒性，表明它具有显着的优越性，计算成本微不足道。

    Jun, 2020

  • 提高对抗鲁棒性的数据增强修复

    本文研究对抗训练的过拟合问题，提出利用数据增强和生成模型增加训练集大小，提高对抗鲁棒性，并在 CIFAR-10 数据集上取得最新成果，其中对于 Ε=8/255 的 l∞规范扰动，模型不使用外部数据时达到 64.20％的鲁棒准确性，超过了大多数先前使用外部数据的研究成果。

    Mar, 2021

  • 通过抽象提高噪声鲁棒性对机器学习的影响

    通过使用数据抽象来减少噪音对模型性能的影响是一种可行的方法，这可以增强机器学习算法对噪音的鲁棒性。

    Jun, 2024

  • 数据增广提升 AI 攻击代码生成器的鲁棒性

    本文利用自然语言中新的输入，即代码描述的扰动，在安全导向的代码环境下分析了这些扰动对 AI 进攻代码生成器性能的影响，并使用该方法进行了数据增强以增加训练数据的变化和多样性，证明其对扰动和非扰动代码描述的有效性。

    Jun, 2023

  • 通过隐式对抗数据增强提升模型的弹性

    通过融入对抗性和反对抗性扰动分布，增强样本的深度特征，适应性调整学习困难以适应每个样本的特征。同时，开发了一种基于元学习的框架，通过引入增强的效果并跳过显式的增强过程，优化分类器。在长尾学习、广义长尾学习、嘈杂标记学习和子种群转移学习等四种常见偏差学习场景中进行了广泛实验，实证结果表明该方法始终达到最先进的性能水平，突显其广泛适应性。

    Apr, 2024

  • 卷积神经网络训练中的数据增强：对图像注入噪声

    本研究分析了不同噪声模型及其强度对卷积神经网络的影响，通过结构相似度（SSIM）度量给出相同大小的噪声模型来进行比较，提出了一些新的启发式策略和建议，可以优化图像分类的最优学习过程。

    Jul, 2023

  • 使用生成对抗网络进行数据中心多元情景预测的数据增强

    本文探讨了利用生成对抗网络 (GANs) 进行时序数据的合成预测，从而实现在数据中心 (Data Center) 中生成大量可供人工智能算法使用的合成数据的目标，同时提出了通过综合考虑 Kullback-Leibler 散度和均方误差这两个新测量指标来验证合成时间序列的方法，并通过实际数据进行验证。该研究能帮助优化数据中心的能源消耗，而所提出的方法也可应用于类似的时间序列问题。

    Jan, 2022