针对视频分类的对抗训练分析与扩展
本文提出了一种新的模型训练框架 - 对抗分布式训练(ADT),通过最小值最大化优化问题,训练模型来学习处理各种威胁。ADT 的有效性也在几个基准测试中得到了验证。
Feb, 2020
本论文提出了一种基于可学习攻击策略的敌对训练框架 LAS-AT,通过控制对抗样本的生成过程,提高模型的鲁棒性。实验结果表明,该方法优于传统手工攻击策略的方式,适用于多个基准数据库,并使用目标网络和策略网络两大部分共同实现。
Mar, 2022
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
通过 FW-AT 理论框架提出一种新的对抗训练算法 - FW-AT-Adapt,它使用简单的扭曲度量来调整训练中的攻击步数,从而提高效率而不影响鲁棒性。与其他单步方法相比,FW-AT-Adapt 在多步 PGD-AT 的鲁棒性与训练时间上提供了最小的损失。
Dec, 2020
该研究论文探讨了对抗性样本及训练,以及如何生成更强的对抗性样本以提高鲁棒性,介绍了集成对抗性训练技术,并表明在 ImageNet 数据集上应用该技术可以显著提高模型的鲁棒性。
May, 2017
本文介绍了一种名为对抗训练的正则化方法,利用该方法可以通过在训练数据中添加微小扰动,提高神经网络方法的稳健性,并演示如何将其应用于实体识别和关系提取等任务,以提高不同上下文(如新闻、生物医学和房地产数据)和不同语言(如英语和荷兰语)的数据集的效果。
Aug, 2018
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
本文提出了一个名为 A2 的高效自动攻击者,它能够在训练过程中实时生成最优扰动,并证实其强制扰动能够有效提高不同数据集上各种对抗训练方法的鲁棒性。
Oct, 2022
本文通过实验研究快速对抗训练的行为并显示其成功的关键在于从过度拟合弱攻击中恢复。我们进一步扩展了这一发现以改善快速对抗训练,展示了与强对抗训练相比更优异的鲁棒性准确性以及更短的训练时间。
Jun, 2020