Apr, 2024

AED-PADA: 通过主要对抗领域适应性提高对抗样本检测的泛化能力

PDF
TL;DR通过主对抗领域适应的对抗性样例检测方法（AED-PADA），针对现有检测方法在广泛应用中存在的泛化性能较差的问题提出了解决方案，通过识别主对抗领域（PAD）并利用多源领域适应实现对对抗性样例的检测，实验表明我们的方法在具有极小幅度干扰的挑战性场景中具备突出的泛化能力。
发现论文，激发创造
  • 部分对抗域适应

    本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。

    Aug, 2018

  • 针对部分领域适应的样例迁移学习

    本文通过提出 Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。

    Mar, 2019

  • 主动对抗域自适应

    提出了一种积极学习的方法，通过敌对领域自适应（AADA）进行表示转移，其探索了两个相关问题之间的双重性：敌对领域对齐和重要性采样来适应跨域模型， 以及将两种方法结合在一个框架中进行领域自适应和转移学习，当源域有许多标记示例而目标域没有时，它提供了重要的改进。

    Apr, 2019

  • PADA: 基于样例的提示学习，用于未知领域的即时自适应

    我们提出了一个基于自动回归 Prompt 学习算法的 PADA，用于实时任何领域自适应，其中生成的唯一提示作为源域特征的连续令牌序列，PADA 在多个任务中显着优于强基准。

    Feb, 2021

  • 通过领域适应来提高对抗训练的泛化能力

    该论文提出了一种新的对抗训练方法 ATDA，采用有限数量的目标域样本进行域自适应，以提高模型的泛化性，经过实证研究，该方法在标准基准数据集上的性能优于现有方法。同时，扩展到迭代攻击的对抗训练也取得了显著的进展。

    Oct, 2018

  • 多重对抗领域适应

    本文提出一种多重对抗领域自适应方法 (MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

    Sep, 2018

  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 判别式对抗领域自适应

    提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

    Nov, 2019

  • 通过挖掘因果线索和调整嵌入统计量进行人脸展示攻击检测

    最近的面部演示攻击检测 (PAD) 利用领域适应 (DA) 和领域泛化 (DG) 技术来解决未知领域上的性能降级问题。然而，基于 DA 的 PAD 方法需要访问未标记的目标数据，而大多数基于 DG 的 PAD 解决方案依赖于先验的，即已知的域标签。此外，大多数基于 DA/DG 的方法在计算上要求复杂的模型架构和 / 或多阶段的训练过程。本文提出一种从因果角度将面部 PAD 建模为复合 DG 任务的方法，通过逆向干预挖掘高级表示中隐藏的因果因素。此外，我们引入了一种面向类别的 MixStyle，用于丰富类别内的特征级数据分布，而不是侧重于域信息。类别引导的 MixStyle 和逆向干预组件都不引入额外的可训练参数和计算资源。大量的跨数据集和分析实验证明了我们的方法与最先进的 PAD 方法相比的有效性和效率。实现代码和训练权重公开可用。

    Aug, 2023

  • 意识到类关系的对抗域自适应

    本文提出了一种新的关系感知对抗域自适应（RADA）算法，通过使用一个单一的多类域鉴别器，强制进行领域对抗训练的同时学习 inter-class 依赖关系结构，并将此结构与从源域的标签预测器中表征出的 inter-class 依赖关系对齐，证明了该方法在改善基准数据集性能方面显著提高了类关系的应用。

    May, 2019