Jan, 2024
朝着可扩展和鲁棒的模型版本控制
Towards Scalable and Robust Model Versioning
Wenxin Ding, Arjun Nitin Bhagoji, Ben Y. Zhao, Haitao Zheng
TL;DR研究了在不获取新的训练数据或更改模型架构的情况下生成具有不同攻击属性的模型的可行性,通过将参数化的隐藏分布纳入模型训练数据,强迫模型学习任务无关的特征,从而设计和实现了一种用于 DNN 分类器的实用模型版本控制方法,提高了鲁棒性。