关键词adversarial contrastive learning
搜索结果 - 5
- 利用对抗对比学习提高目标检测器对常见干扰的鲁棒性
该研究提出了一种创新的对抗对比学习框架，通过生成实例级对抗样本和优化对比损失，增强了神经网络对抗攻击和常见扭曲的鲁棒性，同时通过对比学习增强了干净样本与对抗样本之间的相似性，从而使得表示具有对抗攻击和常见扭曲的抵抗力。通过改善对抗和实际应用 - 图之道：基于多个领域对比学习的基础拓扑模型
使用对抗式对比学习提出了一种用于多个图领域的预训练模型，通过在拓扑结构上训练模型，并在评估时包含节点标签，我们展示了该模型在各种下游任务中与基准模型、未经训练的模型和非转移模型相比，性能相等或更好，包括在评估时使用节点标签，性能始终优于单个 - 通过对抗不变量正则化提升对抗对比学习
本论文通过采用因果推理技术提出了一种对抗不变正则化（AIR）的方法，使 ACL 学习到的强鲁棒表示具有独立于样式的特性，并结合 SIR 形成一个加权和为 IR 的方法，理论上证明 AIR 可以鼓励对抗数据的预测和一致性与自然数据不受数据增强 - ECCV自监督对抗鲁棒性分离式对抗性对比学习
本研究提出了 Decoupled Adversarial Contrastive Learning (DeACL) 框架，将 Adversarial Training 和 Self-supervised Learning 分为两个子问题分别 - 通过对抗对比学习在资源受限领域中检测微博帖子中的谣言
本文提出了一种基于对抗对比学习框架的谣言检测方法，该方法通过语言对齐和新的监督对比训练范式，将从充分资源的谣言数据中学到的特征适应于低资源的数据；此外，通过对抗增强机制，进一步提高低资源谣言表示的鲁棒性，实验结果表明本文提出的方法可以更好地