乳腺癌诊断的对抗鲁棒特征学习

Feb, 2024

Adversarially Robust Feature Learning for Breast Cancer Diagnosis

Degan Hao, Dooman Arefan, Margarita Zuley, Wendie Berg, Shandong Wu

TL;DR通过在乳腺癌诊断中使用对抗训练和具有目标函数的特征相关性度量，我们提出了一种新颖的对抗鲁棒特征学习方法（ARFL），以提高对于对抗数据的鲁棒性，并在临床环境中对乳腺癌的诊断提供更安全的保障。

Abstract

adversarial data can lead to malfunction of deep learning applications. It is essential to develop deep learning models that are robust to

adversarial data deep learning breast cancer diagnosis adversarially robust feature learning adversarial attacks

发现论文，激发创造

为强韧性还是为公平：走向对抗训练中的公平性

研究发现，对于一些平衡的数据集，在执行 Adversarial training algorithms 时将出现不同类别的数据准确度和鲁棒性的严重差异，因此提出了一种名为 Fair-Robust-Learning 的框架以解决这种不公平的问题，并在实验中验证了其有效性。

Oct, 2020

对抗特征对齐：通过对抗训练在深度学习中平衡鲁棒性和准确性

本文提出了一种名为 Adversarial Feature Alignment (AFA) 的新型对抗性训练方法，旨在解决深度学习模型在安全性上平衡鲁棒性和准确性的挑战。通过利用对比学习的优化算法，AFA 减轻特征不对齐可能导致误分类的风险，并在实验中展示了其卓越性能。

Feb, 2024

通过对抗特征相似学习实现对抗演绎的深度伪造检测

深度伪造技术引发了对数字内容真实性的担忧，需要开发有效的检测方法。然而，深伪技术的广泛应用带来了新的挑战，即敌对攻击。本文介绍了对抗特征相似性学习（AFSL）方法，该方法整合了三个基本的深度特征学习范例，旨在区分真实和伪造实例，并最大化对抗扰动和未扰动实例之间的相似性。此外，我们引入了一种正则化技术，最大化了真实和伪造样本之间的不相似性，确保了这两个类别的明确分离。通过在 FaceForensics++、FaceShifter 和 DeeperForensics 等流行的深伪数据集上进行大量实验，我们的方法明显优于其他标准对抗训练防御方法，这进一步证明了我们的方法在保护深伪检测器免受敌对攻击方面的有效性。

Feb, 2024

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

用强鲁棒性本地特征来提高对抗训练的概括能力

本文提出了一种新的 Adversarial Training 框架，Robust Local Features for Adversarial Training (RLFAT)，旨在更好地利用机器学习中的 Robust Local Features 进行对抗训练，以提高对抗性鲁棒性以及标准泛化能力。

Sep, 2019

可靠的特征选择对抗性鲁棒性网络攻击检测

通过选择与网络攻击检测最相关的特征，在网络流量分析中训练机器学习模型所使用的高质量数据，可以提高模型的鲁棒性和计算效率。通过改进数据集、选择与时间相关的特征和更具体的特征集，以及进行对抗训练，机器学习模型在不损害正常流量传输的情况下显著提高了其抗对抗攻击的泛化能力，从而在企业计算机网络中可可靠地检测可疑活动和扰动流量。

Apr, 2024

学习低秩特征用于胸腔疾病分类

该研究论文主要介绍了一种适用于各类神经网络的新型低秩特征学习（LRFL）方法，通过在预训练的神经网络上应用 LRFL 方法来实现胸部疾病分类，在多类别分类区域下具有更好的分类结果（mAUC 和准确度）。

Feb, 2024

深度学习模型的整体对抗鲁棒性

该研究论文综述了深度学习模型对抗鲁棒性的研究主题和基本原则，包括攻击、防御、验证和新应用。

Feb, 2022

对抗鲁棒性基准测试

本研究旨在建立一个全面、严谨、连贯的标准来评估对抗性鲁棒性，通过两个鲁棒性曲线作为公正的评估标准来进行大规模实验，全面掌握攻击与防御方法的表现并得出重要结论和未来研究的启示。

Dec, 2019

探索稳健特征以提升对抗性鲁棒性

通过分离鲁棒特征和领域特定特征，我们提出了一个鲁棒特征分离模型，以增强模型的对抗性鲁棒性。同时，训练出的领域鉴别器几乎完美地能够识别出干净图像和对抗性样本中的领域特定特征，从而无需额外的计算成本实现对抗性样本的检测。这样一来，我们可以为干净图像和对抗性样本指定不同的分类器，避免了干净图像准确率的降低。

Sep, 2023