Oct, 2023

具有对抗特征去敏感化的鲁棒性增强提升建模

PDF
TL;DR提出了一种新的强化鲁棒性的提升建模框架 RUAD，通过两个定制模块，即联合多标签建模的特征选择模块和利用对抗训练和软插值操作的对抗性特征去敏模块，更有效地缓解提升模型的特征敏感性，从而提高在线营销中的效果和鲁棒性。
uplift modelingrobustness challengefeature sensitivityadversarial feature desensitizationonline marketing
发现论文，激发创造
  • 无监督领域自适应对抗鲁棒性

    本文提出一种通过利用 ImageNet 预训练模型中的中间表示，使得源域与目标域学习到的特征分布更加接近，从而提高无监督域适应模型在未标记数据上的对抗鲁棒性，不需要对抗干预或标签要求。

    Sep, 2021

  • 无监督领域自适应的对抗性稳健训练探究

    本研究旨在研究如何通过敌对训练来提高无监督领域自适应模型的鲁棒性，广泛实验表明，敌对鲁棒性方法能够有效提高该领域模型的可靠性和效果。

    Feb, 2022

  • 探索语义分割中无监督领域自适应的鲁棒性

    提出了一种在输出空间中采用对比损失来最大限度地增加干净图像和其对抗性示例之间的一致性的对抗性自监督 UDA 方法，名为 ASSUDA，以提高深度神经网络对敌对示例的鲁棒性和分割任务的可靠性。

    May, 2021

  • 基于预训练去噪扩散模型的遥感通用对抗防御

    利用预训练扩散模型进行通用对抗防御，净化遥感数据中的对抗干扰，不需要事先了解对抗干扰性质，提高性能并减少重新训练的工作量。

    Jul, 2023

  • 基于次最终激活的对抗性训练的领域自适应

    以对抗训练为基础，使用最后一层线性分类器的激活输入特征进行无监督领域自适应预测，结合激活归一化技术，提高模型预测能力。

    Aug, 2022

  • 通过对手在推荐系统中实现自动特征公平性

    通过对敏感特征进行公平处理实现公正的推荐系统的研究中，我们提出了特征公平性作为实现各种特征组合下不同群体之间公平处理的基础。通过平衡特征的普适性来提高整体准确性。我们介绍了通过对抗训练实现无偏特征学习的方法，使用对抗扰动来增强特征表示。对抗方可以改善对少数特征的模型泛化。我们根据特征偏差的两种形式：特征值的频率和组合多样性自动调整对抗策略，并根据此调整扰动强度和对抗训练权重。对于组合多样性较少的特征值，我们应用更强的扰动以提高模型的泛化能力，而对于低频特征，增加其权重以解决训练不平衡问题。我们以广泛应用的因式分解机模型为基础，利用自适应对抗扰动（AAF）方法进行研究。在实验中，AAF 在公平性和准确性衡量指标上优于强基准。AAF 在单特征和多特征任务的物品公平性和用户公平性方面表现出色，展示了其多功能性和可扩展性。为了保持较好的准确性，我们发现对抗扰动必须得到很好的管理：在训练过程中，扰动不应过于持续，并且它们的强度应该减弱。

    Sep, 2023

  • 远程遥感图像的通用对抗扰动

    本文探讨了深度学习在遥感图像领域中的应用，尤其是在普适性对抗扰动方面的研究，并通过设计了一种新方法，可实现对遥感图像分类模型的攻击成功率高达 97.09%。

    Feb, 2022

  • 增强异常检测性能的神经网络训练策略：基于重构损失放大的视角

    通过放大重构损失，我们提出了一种名为 LAMP 的损失地形变形方法，从而将损失地形变为陡峭的形状，使得对未见异常的重构误差增加，并且提高异常检测性能，而无需改变神经网络架构。

    Aug, 2023

  • 从几何感知的角度提高语言模型的鲁棒性

    通过友好对抗样本扩充和几何感知对抗训练技术，用更少的步骤达到更强的鲁棒性，实验结果表明在两个数据集上的三种预训练语言模型中，GAT 可以在更少的步骤中获得更强的鲁棒性。

    Apr, 2022

  • 一种以对抗扰动为导向的领域自适应语义分割方法

    该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

    Dec, 2019