Mar, 2024

医学图像分类上的动态扰动自适应对抗训练

PDF
TL;DR提出了一种动态扰动自适应对抗训练（DPAAT）方法，通过将对抗训练放置在动态学习环境中，生成自适应的数据级扰动，并通过损失信息收集提供动态更新的准则，从而在提高鲁棒性的同时保留高泛化能力。在皮肤科 HAM10000 数据集上进行全面测试，表明 DPAAT 不仅实现了更好的鲁棒性改善和泛化性能保留，还显著提高了各种 CNNs 的平均精度和解释能力，表现出作为通用医学影像分类中的一种潜在的强大的对抗训练方法。
发现论文，激发创造
  • 自适应对抗训练以提高 DNN 在医学图像分割和检测中的对抗性鲁棒性

    本研究旨在解决医学影像分析任务中现有标准对抗训练方法中的问题，提出了一种生成适应性噪声的自适应边界对抗训练（AMAT）方法，改进了深度神经网络（DNNs）的鲁棒性，提高了模型的稳健性。

    Jun, 2022

  • AROID：通过在线逐实例数据增强提高对抗鲁棒性

    该论文提出了一种新的方法，通过在线实例化学习数据增强策略来提高 Deep neural networks 的 Adversarial training 的鲁棒性，在多个模型结构和数据集上成功地超越了现有的竞争性数据增强方法。

    Jun, 2023

  • 动态分治对抗训练用于稳健语义分割

    本研究探索了对语义分割数据进行通用对抗训练的方法，提出了动态分治对抗训练（DDC-AT）策略，将像素分为多个分支，以增强对抗攻击的防御效果。实验表明，DDC-AT 在白盒和黑盒攻击下都具有令人满意的性能。

    Mar, 2020

  • 适应性扰动模式：用于强健入侵检测的逼真对抗学习

    该论文介绍了一种基于自适应扰动模式的方法，用于在灰盒情况下生成具有真实性的对抗样本，通过对企业和物联网网络进行案例研究，证明了该方法提供了可扩展的对抗样本生成技术，并在对抗训练和攻击中具有优势。

    Mar, 2022

  • A3T：对抗性增强的对抗性训练

    本文介绍了一种通过强制表示不变性来提高深度神经网络对抗攻击鲁棒性的方法，并比较其与其他标准对抗训练方法的可行性。

    Jan, 2018

  • 增强扩散以提高强健性泛化能力

    本文提出了一种名为 Diffusion Enhanced Adversarial Training (DEAT) 的新方法，以改善 Adversarial Training 中的 generalization 问题，理论上证明了 DEAT 比主要 AT 框架 ——Projected Gradient Descent Adversarial Training (PGD-AT) 更紧密的泛化界限，并通过广泛的实证调查证实了 DEAT 的优越性。

    Jun, 2023

  • 通过像素重新加权的对抗训练改善准确度和鲁棒性的平衡

    使用部分降低 epsilon 值分散在关键区域的扰动，Pixel-reweighted AdveRsarial Training（PART）在 CIFAR-10、SVHN 和 TinyImagenet-200 上实现了准确性的显著提升，证明了在坚固分类中分配不同的像素区域不同的权重的必要性。

    Jun, 2024

  • 净化上的对抗性训练（AToP）：增强鲁棒性和泛化能力

    在这篇论文中，研究人员提出了一种称为对抗训练纯化（AToP）的新框架，通过随机转换（RT）的扰动破坏和对抗损失下的纯化模型优化（FT）来加强深度神经网络对抗攻击的鲁棒性和泛化能力，并通过对 CIFAR-10、CIFAR-100 和 ImageNette 的广泛实验表明其在对抗攻击防御方面达到了最先进的结果和泛化能力。

    Jan, 2024

  • 提高鲁棒公平性的困难对抗样本挖掘

    通过自适应的困难对抗样本挖掘，HAM 提出一种直接而有效的方法来改进深度神经网络对于对抗性例子的鲁棒性和公平性，减少计算成本。

    Aug, 2023

  • 对抗分布式训练用于强健深度学习

    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