对抗修正才是将敌人化为朋友的唯一力量

对抗攻击因误导行为常被视作对神经网络的巨大威胁。本文提出相反视角：若加以正确修正，对抗攻击可被用以改进神经模型。不同于旨在提升对抗鲁棒性的传统对抗防御或对抗训练方案，所提对抗修正（AdvAmd）方法旨在提升神经模型在良性样本上的原始准确率水平。我们深入分析了良性样本与对抗样本间的分布失配。该分布失配以及现有防御策略中采用的等学习率互学习机制，是导致良性样本准确率下降的主因。所提AdvAmd被证明能稳定修复准确率下降，甚至使常见神经模型在良性分类、目标检测与分割任务上获得一定准确率提升。AdvAmd的有效性源于三个关键组件：中介样本（通过细粒度修正降低分布失配影响）、辅助批归一化（解决互学习机制与更平滑判断面）以及AdvAmd损失（依据不同攻击脆弱性调整学习率），以上经定量与消融实验证实。