Mar, 2024

引入自适应连续对抗训练（ACAT）以增强机器学习的鲁棒性

PDF
TL;DR连续自适应对抗训练（ACAT）不断地将对抗训练样本整合到模型中，使用实际检测到的对抗数据，增强模型对不断演变的对抗威胁的抵抗能力，同时减轻灾难性遗忘，并降低了对抗样本检测所需的总时间。
machine learningadversarial attacksadversarial trainingconcept driftadaptive continuous adversarial training
发现论文，激发创造
  • CAT: 用于提高鲁棒性的定制对抗训练

    本文提出一种称为自定义对抗训练（CAT）的新算法。通过自适应地定制对抗样本的扰动级别和相应的标签，CAT 算法在对抗训练中使得训练样本的多样性增强，取得了比以前的对抗训练方法更好的干净和鲁棒性能。

    Feb, 2020

  • 通过教师集合的适应性知识融合进行对抗训练

    通过教师集合的知识自适应融合，以解决深度神经网络在对抗样本训练中的两个问题：在小模型中实现稳健性和对未知攻击类型的脆弱性。

    May, 2024

  • 课程对抗训练

    本文提出课程对抗性训练 (CAT) 的方法，通过产生一系列攻击强度不同的对抗性样本，使用两种技术解决模型遗忘和泛化问题， 并证明 CAT 方法可以将 CIFAR-10 和 SVHN 的经验最坏情况精度大幅提高 25% 和 35%。同时，在非对抗性输入上，该模型的表现与现有最先进模型相当。

    May, 2018

  • 针对视频分类的对抗训练分析与扩展

    本文提出了三种防御方法来增强对多种攻击类型的鲁棒性，包括自适应防御技术 Adaptive AT，课程式防御技术 Curriculum AT 和将 AT 与去噪生成对抗网络相结合的生成式防御技术 Generative AT，并在 UCF101 数据集上进行了实验。

    Jun, 2022

  • 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

  • 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

  • SCAT: 基于对抗训练的鲁棒自监督对比学习在文本分类中的应用

    本文提出了一种名为 SCAT 的自我监督对比式学习的新型框架，它可以在不要求已标记数据的情况下学习稳健的表示，并且可以增强现有预训练语言模型的稳健性。

    Jul, 2023

  • 具有可迁移性对抗样本的有效对抗训练

    该研究论文介绍了新型对抗训练方法 ATTA，利用同一训练进程中相邻时期的模型具有高可转移性的特点，通过积累对抗扰动来增强训练模型的鲁棒性，并显著提高训练效率。相较于最先进的对抗训练方法，ATTA 在 CIFAR10 数据集上能提高 7.2% 的对抗准确性，在 MNIST 和 CIFAR10 数据集中只需 12-14 倍的训练时间就可以达到可比的模型鲁棒性。

    Dec, 2019

  • 长期交叉对抗训练：一种鲁棒元学习方法用于少样本分类任务

    本文提出了一种基于长期交叉对抗训练 (LCAT) 的元学习方法，在自然和对抗样本分布方向上进行跨更新，以提高元学习模型的对抗性和干净的 Few-shot 分类准确性，实验结果表明，LCAT 在对抗样本上和干净样本上的 Few-shot 识别准确性上都优于目前最先进的元学习模型的对抗训练方法。

    Jun, 2021

  • 在分类增量连续学习中通过对抗训练提高准确率和鲁棒性

    本文介绍了一种对抗攻击深度学习模型的新防御方法，即 External Adversarial Training (EAT)，它可以有效地解决在 class-incremental continual learning (CICL) 中出现的数据不平衡问题，避免了失真和降低准确性等问题。

    May, 2023