AugRmixAT：一种提升多重鲁棒性与泛化性能的数据处理与训练方法
计算机视觉与模式识别
2022-07-22 v1
摘要
深度神经网络功能强大，但也存在诸如对对抗样本、噪声、模糊、遮挡等敏感的缺点。此外，确保深度神经网络模型的可靠性与鲁棒性对其在安全关键领域的应用至关重要。已有大量工作旨在提升特定鲁棒性。然而，我们发现特定鲁棒性的提升常以牺牲神经网络模型的额外鲁棒性或泛化能力为代价。特别地，对抗训练方法在提升对抗鲁棒性时显著损害了在无扰动数据上的泛化性能。本文提出一种名为 AugRmixAT 的新数据处理与训练方法，可同时提升神经网络模型的泛化能力与多重鲁棒性。最后，我们在 CIFAR-10/100 与 Tiny-ImageNet 数据集上验证了 AugRmixAT 的有效性。实验表明，AugRmixAT 能在增强白盒鲁棒性、黑盒鲁棒性、常见 corruption 鲁棒性与部分遮挡鲁棒性的同时提升模型泛化性能。
引用
@article{arxiv.2207.10290,
title = {AugRmixAT: A Data Processing and Training Method for Improving Multiple Robustness and Generalization Performance},
author = {Xiaoliang Liu and Furao Shen and Jian Zhao and Changhai Nie},
journal= {arXiv preprint arXiv:2207.10290},
year = {2022}
}
备注
Accepted by ICME2022