以对抗训练作为后处理步骤的自动化鲁棒性
机器学习
2021-09-07 v1
摘要
对抗训练是一项计算代价昂贵的任务，因此以鲁棒性为准则搜索神经网络架构可能颇具挑战。作为迈向实际自动化的一步，本工作探究了一个简单后处理步骤在生成鲁棒深度学习模型方面的效力。为此，我们采用对抗训练作为后处理步骤，用于处理由神经架构搜索算法得到的优化网络架构。针对不同步骤的超参数调优采用了特定策略，从而形成了生成对抗鲁棒深度学习模型的 fully automated pipeline（全自动化流水线）。我们通过跨越 11 个图像分类和 9 个文本分类任务的广泛实验证实了所提流水线的有用性。
引用
@article{arxiv.2109.02532,
title = {Automated Robustness with Adversarial Training as a Post-Processing Step},
author = {Ambrish Rawat and Mathieu Sinn and Beat Buesser},
journal= {arXiv preprint arXiv:2109.02532},
year = {2021}
}