对抗元学习
机器学习
2020-06-23 v3 机器学习
摘要
元学习使模型能够从极有限的数据中学习以承担新任务。在本文中，我们研究带有对抗样本的通用元学习。我们提出一种元学习算法 ADML（ADversarial Meta-Learner，对抗元学习器），其利用干净样本与对抗样本以对抗方式优化学习模型的初始化。ADML 带来以下理想性质：1）即便仅有干净样本的情形也极为有效；2）对对抗样本具有鲁棒性，即与其他元学习算法不同，在存在对抗样本时仅导致轻微性能下降；3）为处理有限甚至受污染样本的情形提供思路。大量实验结果表明，在涉及对抗样本的情况下，基于两个广泛使用的图像数据集 MiniImageNet 和 CIFAR100，ADML 在准确率和鲁棒性上均持续优于三种代表性元学习算法。
引用
@article{arxiv.1806.03316,
title = {Adversarial Meta-Learning},
author = {Chengxiang Yin and Jian Tang and Zhiyuan Xu and Yanzhi Wang},
journal= {arXiv preprint arXiv:1806.03316},
year = {2020}
}
备注
11 pages