ATZSL：存在对抗者时的防御性零样本识别

零样本学习（ZSL）近来受到广泛关注，尤其在细粒度物体识别、检索与图像描述领域。由于完全缺乏训练样本且对防御可迁移性的高要求，所学 ZSL 模型尤其易受对抗攻击。近期工作亦表明对抗鲁棒泛化需要更多数据，这可能显著影响 ZSL 的鲁棒性。然而，极少有研究致力于该方向。本文中我们做出初步尝试，并提出一种通用公式以提供学习鲁棒 ZSL 模型的系统性方案（命名为 ATZSL）。它通过将 ZSL 转化为极小极大优化问题，能够在各类对抗物体识别上实现更好的泛化，同时仅在干净图像上对未见类的性能有可忽略的损失。为求解该问题，我们设计了一个防御性关系预测网络，其可通过属性桥接可见与未见类域以泛化预测与防御策略。此外，我们的框架可扩展至处理未见类属性的投毒场景。随后给出大量实验，表明在各种设置下 ATZSL 相较现有替代方法在模型可迁移性与鲁棒性之间取得了显著更优的权衡。