.png){kind=icon}
返回
Boosting Adversarial Training With Mitigating Hard Sample Interference
.png){kind=icon}
PRE
AI
DOI：10.1109/tnnls.2025.3648421.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对抗训练（AT）在保持准确性和增强对抗样本的鲁棒性方面显示出显著优势。然而，大多数现有的AT技术将干净样本准确率和对抗样本鲁棒性作为双重目标联合优化。这种设置引入了一个常被忽视的问题：在优化决策边界附近的困难样本时，模型可能会以牺牲准确率为代价来增强鲁棒性，或为了保持准确率而损害鲁棒性。为缓解困难样本引起的准确率-鲁棒性牺牲，我们从样本干预的角度提出了缓解困难样本干扰（MHSI）方法。MHSI旨在减少AT过程中困难样本引起的不稳定性。具体而言，我们引入一种加权自适应（WA）机制，强化模型对干净样本的学习，从而减少困难样本对准确率的负面影响。此外，基于梯度范数和Hessian矩阵的分析，我们设计了动态校准（DC）策略，动态校准困难样本的概率输出，以减轻其对鲁棒性的损害。通过这两个模块，我们的方法在不牺牲准确率的情况下显著提高了鲁棒性。在CIFAR-10、CIFAR-100、Tiny ImageNet和SVHN上的大量实验表明，MHSI有效提升了准确率和鲁棒性，并在玻璃盒攻击下优于现有最优方法。值得注意的是，在$l_{\infty}$攻击下，MHSI相较于AT基准方法获得了高达6.22%的鲁棒性提升。我们的代码可在https://github.com/hubin111/MHSI获取。
Keyword:
Accuracy
adversarial training (AT)
robustness
期刊
IF:
8.9
论文数:
7.5K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
Push Stricter to Decide Better: A Class-Conditional Feature Adaptive Framework for Improving Adversarial Robustness推动更严格的决策: 提高对抗鲁棒性的类条件特征自适应框架
OAAI
OAAI分享收藏
查看更多内容