Jun, 2022

自适应对抗训练以提高 DNN 在医学图像分割和检测中的对抗性鲁棒性

PDF
TL;DR本研究旨在解决医学影像分析任务中现有标准对抗训练方法中的问题，提出了一种生成适应性噪声的自适应边界对抗训练（AMAT）方法，改进了深度神经网络（DNNs）的鲁棒性，提高了模型的稳健性。
deep neural networksadversarial attacksmedical image analysis tasksadaptive-margin adversarial trainingadversarial noises
发现论文，激发创造
  • 提高神经网络的对抗鲁棒性的增量余量对抗训练 (IMA)

    提出一种新的对抗性训练方法，称为增量边界对抗训练 (Increasing-Margin Adversarial Training)，该方法通过生成最佳对抗性训练样本来提高鲁棒性，同时保持准确性，在医学图像分类和分割应用中实现了准确性和鲁棒性的平衡。

    May, 2020

  • 医学图像分类上的动态扰动自适应对抗训练

    提出了一种动态扰动自适应对抗训练（DPAAT）方法，通过将对抗训练放置在动态学习环境中，生成自适应的数据级扰动，并通过损失信息收集提供动态更新的准则，从而在提高鲁棒性的同时保留高泛化能力。在皮肤科 HAM10000 数据集上进行全面测试，表明 DPAAT 不仅实现了更好的鲁棒性改善和泛化性能保留，还显著提高了各种 CNNs 的平均精度和解释能力，表现出作为通用医学影像分类中的一种潜在的强大的对抗训练方法。

    Mar, 2024

  • SAT: 基于课程的损失平滑改进对抗训练

    本文提出了一种平滑对抗训练方法 (SAT)，它利用课程学习的思想对对抗训练过程进行平滑处理，提高了对抗训练的稳定性并在干净精度与鲁棒性之间实现了更好的权衡，具体方法基于海森矩阵的特征值以及 softmax 概率，实验结果显示该方法在 CIFAR-100 和 Imagenette 数据集上比 AT 方法显著提升了干净度与鲁棒度。

    Mar, 2020

  • MR 图像分割的逼真对抗数据增强

    本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

    Jun, 2020

  • 平滑对抗训练

    通过仔细的研究我们提出了一种新的平滑对抗训练方法，其中我们用其平滑逼近替代了 ReLU 激活函数以增强对抗训练的鲁棒性，并且相比于传统方法，该方法在不引入额外计算成本的情况下，能够显著提高模型的鲁棒性，同时保持模型的准确率。

    Jun, 2020

  • 鲁棒图神经网络的频谱对抗训练

    本文提出 Spectral Adversarial Training （SAT），基于频谱分解的简单但有效的对抗训练方法，用于提高图神经网络（GNN）对抗攻击的鲁棒性，实验结果表明 SAT 显著提高了 GNN 对抗攻击的鲁棒性，而不影响分类准确性和训练效率。

    Nov, 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

  • 对抗改正是唯一能将敌人变成朋友的力量

    该文研究利用对抗攻击机制修正后可以提高神经网络模型的准确性。通过对攻击样本和正常样本的分布差异进行分析，提出了修正模型的方法 AdvAmd，并验证了其在分类、目标检测和细分等任务中的有效性。该方法通过对中介样本、辅助批次正则和 AdvAmd 损失的调整，来减少分布不匹配、学习机制和攻击漏洞等因素对精度的影响。

    May, 2023

  • A3T：对抗性增强的对抗性训练

    本文介绍了一种通过强制表示不变性来提高深度神经网络对抗攻击鲁棒性的方法，并比较其与其他标准对抗训练方法的可行性。

    Jan, 2018

  • 动态调节对抗性对手的对抗微调

    本文提出了一种简单而有效的基于迁移学习的对抗性训练策略，该策略将对抗样本的负面影响与模型的标准性能分离开来，引入了一种训练友好的对抗攻击算法，同时保持了模型对干净数据的标准性能，从而提高了模型的鲁棒性。

    Apr, 2022