通过稳定性训练实现深度神经网络的泛化鲁棒性
机器学习
2019-11-14 v2 机器学习
摘要
我们研究了最近引入的稳定性训练作为一种通用方法，用于提升深度神经网络对输入扰动的鲁棒性。具体而言，我们探索其作为数据增强替代方案的使用，并针对多种失真类型和变换（包括对抗样本）验证其性能。在我们使用ImageNet数据的图像分类实验中，稳定性训练在特定变换上表现与数据增强相当甚至更优，同时相较于数据增强，对训练期间未见的更广泛失真强度和类型持续提供改进的鲁棒性、显著更小的超参数依赖以及更少的潜在负面副作用。
引用
@article{arxiv.1906.00735,
title = {Achieving Generalizable Robustness of Deep Neural Networks by Stability Training},
author = {Jan Laermann and Wojciech Samek and Nils Strodthoff},
journal= {arXiv preprint arXiv:1906.00735},
year = {2019}
}
备注
18 pages, 25 figures; Camera-ready version