AutoJoin：基于去噪自编码器与联合学习的高效对抗无梯度扰动鲁棒机动训练
机器学习
2024-11-05 v3 计算机视觉与模式识别
机器人学
摘要
随着机器学习算法与普适传感器的日益使用，许多“感知到控制”系统正被开发与部署。为确保其可信性，通过对抗训练提升鲁棒性是一种潜在途径。我们提出一种无梯度对抗训练技术，名为AutoJoin，以高效且有效地为基于图像的机动生成鲁棒模型。相较于其他SOTA方法在超过500万张图像上的测试，AutoJoin在对抗扰动时取得高达40%范围的显著性能提升，同时将干净性能提升高达300%。AutoJoin亦高效，相较其他SOTA技术每个训练周期节省高达86%时间并节省90%训练数据。AutoJoin的核心思想是在原回归模型上附加解码器，在架构内创建去噪自编码器。该架构使“机动”与“传感器输入去噪”任务得以联合学习并相互强化性能。
引用
@article{arxiv.2205.10933,
title = {AutoJoin: Efficient Adversarial Training against Gradient-Free Perturbations for Robust Maneuvering via Denoising Autoencoder and Joint Learning},
author = {Michael Villarreal and Bibek Poudel and Ryan Wickman and Yu Shen and Weizi Li},
journal= {arXiv preprint arXiv:2205.10933},
year = {2024}
}