无监督域适应的对抗鲁棒性
机器学习
2021-09-03 v1 计算机视觉与模式识别
摘要
大量无监督域适应（UDA）研究已通过深度模型在带标签源域与无标签目标域之间学习可迁移表示，在实践中取得巨大成功。然而，先前工作聚焦于提升 UDA 模型在干净样本上的泛化能力，未考虑对抗鲁棒性，而后者在实际应用中至关重要。常规对抗训练方法不适用于 UDA 无标签目标域的对抗鲁棒性，因其使用由监督损失函数生成的对抗样本训练模型。本工作中，我们利用多个鲁棒 ImageNet 模型学习到的中间表示来提升 UDA 模型的鲁棒性。我们的方法通过将 UDA 模型的特征与 ImageNet 预训练模型学到的鲁棒特征在域适应训练过程中对齐来实现。它利用有标签与无标签域，并在域适应训练期间无需任何对抗干预或标签要求即可注入鲁棒性。实验结果表明，相较于基线，我们的方法在各类 UDA 基准上显著提升了对抗鲁棒性，同时保持了干净样本准确率。
引用
@article{arxiv.2109.00946,
title = {Adversarial Robustness for Unsupervised Domain Adaptation},
author = {Muhammad Awais and Fengwei Zhou and Hang Xu and Lanqing Hong and Ping Luo and Sung-Ho Bae and Zhenguo Li},
journal= {arXiv preprint arXiv:2109.00946},
year = {2021}
}
备注
Accepted by ICCV 2021