基于边际插值的低标签场景对抗训练
机器学习
2024-11-28 v1 密码学与安全
计算机视觉与模式识别
摘要
对抗训练已成为一种有效的方法，用于训练在对抗攻击下具备鲁棒性的神经网络模型，即使在标签稀缺的低标签场景下。本文引入一种新颖的半监督对抗训练方法，通过生成有效的对抗样本来增强鲁棒性和自然准确性。该方法首先对干净样本和对抗样本之间应用线性插值，以创建跨越决策边界的受控边际的插值对抗样本。这种样本感知的策略为每个数据点定制对抗样本，使模型能够从最具信息性的扰动中学习。此外，我们提出了一种全局 epsilon 调度策略，逐步调整训练中扰动强度的上限。这些策略的组合允许模型开发出 increasingly complex 的决策边界，具有更好的鲁棒性和自然准确性。实验评估表明，我们的方法有效地提高了对各种对抗攻击（如 PGD 和 AutoAttack）的性能。
引用
@article{arxiv.2411.17959,
title = {Adversarial Training in Low-Label Regimes with Margin-Based Interpolation},
author = {Tian Ye and Rajgopal Kannan and Viktor Prasanna},
journal= {arXiv preprint arXiv:2411.17959},
year = {2024}
}