Adversarial Robustness Toolbox 是一个 Python 库，旨在帮助开发者和研究人员保卫机器学习模型，使其更加安全可靠，包括对付针对模型的对抗样本的防御工具、攻击模块以及针对模型鲁棒性的验证方法和硬化方法等。

Jul, 2018

本文研究了在深度学习中常用的迁移学习策略，探讨了始终关注模型精度而忽视模型鲁棒性问题的不足之处，并提出了一种基于特征距离最小化的协作式对抗鲁棒迁移学习方法（CARTL），以提高模型的鲁棒性。本文还就 BN 层对模型鲁棒性的影响进行研究，发现冻结 BN 层可以进一步提高模型的鲁棒性。

Jun, 2021

本文研究如何在数据稀缺或者训练成本较高的情况下，通过对源模型的继承和微调，使得目标模型不仅精度高，而且对抗攻击具有良好的鲁棒性，其中运用到 Transfer Learning， Neural Network Classifiers，Robustness，Lifelong Learning 和 Generalization 等关键词。

May, 2019

本研究证明，相较于标准预训练模型，鲁棒性较强的预训练模型在转移学习中表现更佳。通过研究图像分类任务，发现鲁棒性较强的 ImageNet 分类器在一系列标准下游任务中得到了更高的准确性。

Jul, 2020

使用迁移学习方法减少神经自动机器学习的计算成本，在语言和图像分类任务中，Transfer Neural AutoML 在单任务训练收敛时间上节省了超过一个数量级。

Mar, 2018

本文提出了一种新颖的对抗多臂赌博方法，自动学习将源表示路由到适当的目标表示，进而以有意义的方式结合这些表示以产生准确的目标模型，适用于小数据应用。

Feb, 2022

本研究提出了一种训练方法（ART），能够减小图像空间相关性对模型解释鲁棒性的影响，并在多个标准数据集上显著提高了解释鲁棒性，并且在弱监督目标定位任务上实现了新的最佳性能。

Nov, 2019

本文探讨了如何在模型的新目标任务中，从源任务中迁移知识。提出了一种基于注意力机制的深度学习算法 A2T（Attend, Adapt and Transfer），它可以避免负面迁移，并能够有选择地从多个源任务中迁移知识，经实验验证，在不同的学习算法中，A2T 是一种有效的迁移学习算法。

Oct, 2015

我们提出了一种自适应迁移学习方法，可以在高维环境中处理特征维度大于样本大小的情况。通过使用一种新型的融合罚函数，配合能够根据可迁移结构自适应调整的权重，我们能够检测和聚合特征层面或样本层面的可迁移结构，从而选择性地融合可迁移信号并过滤掉不可迁移信号。此方法的有效性已经通过合成数据和真实数据的验证得到证明。

Mar, 2024

该研究提出了一种新的迁移学习管道，可以通过具有适当诱导的对抗鲁棒性的子网络来实现更好的迁移能力，从而在各种下游任务和稀疏性模式中实现增强的准确性和稀疏性 - 精度权衡，进一步丰富了彩票票假设。

Apr, 2023