ANROT-HELANet：基于希洛inger距离的对抗鲁棒注意力聚合网络
摘要
few-shot 学习（FSL）涉及仅用少量数据样本即可实现的泛化学习，已显示出优于普通卷积神经网络方法的优异性能。虽然基于贝叶斯的方法使用Kullback-Leibler（KL）散度已取得改进，但仍然容易受到对抗攻击和自然噪声的威胁。我们引入ANROT-HELANet，这是一个 Adversarially and Naturally RObust Hellinger Aggregation Network，显著推动了FSL鲁棒性和性能的前沿。我们的方法实现了一种对抗鲁棒且自然鲁棒的希洛inger距离-based feature class aggregation scheme，显示出对对抗扰动（up to ）和高斯噪声（up to ）的韧性。该网络在基准数据集上实现了显著的改进，包括在miniImageNet上分别获得1-shot和5-shot情景下的1.20%和1.40%的提升。我们提出了 novel Hellinger Similarity contrastive loss 函数，generalizes cosine similarity contrastive loss 用于变分few-shot 推理情景。我们的方法还在图像重建质量方面取得优异成绩，FID得分为2.75，优于传统VAE（3.43）和WAE（3.38）方法。广泛的实验在四个few-shot benchmark 数据集上进行，证明ANROT-HELANet 结合希洛inger距离-based feature aggregation、注意力机制和我们 novel loss 函数在保持对抗和自然扰动鲁棒性的同时，建立了新的 state-of-the-art performance。我们的代码仓库将在 https://github.com/GreedYLearner1146/ANROT-HELANet/tree/main 提供。
引用
@article{arxiv.2509.11220,
title = {ANROT-HELANet: Adverserially and Naturally Robust Attention-Based Aggregation Network via The Hellinger Distance for Few-Shot Classification},
author = {Gao Yu Lee and Tanmoy Dam and Md Meftahul Ferdaus and Daniel Puiu Poenar and Vu N. Duong},
journal= {arXiv preprint arXiv:2509.11220},
year = {2025}
}
备注
Preprint version. The manuscript has been submitted to a journal. All changes will be transferred to the final version if accepted. Also an erratum: In Figure 10 and 11, the $\epsilon = 0.005$ value should be $\epsilon = 0.05$