在 ECML-PKDD 2025 模型鲁棒性比赛中与对手碰撞的获奖方案
机器学习
2025-12-11 v2
摘要
本报告介绍了 ECML-PKDD 2025 对抗学习比赛任务 2 的获奖方案。该挑战旨在设计并训练一个能够在干净数据和使用随机分布混洗攻击（RDSA）生成的对抗数据上实现高准确率的鲁棒人工神经网络（ANN）模型。我们的解决方案包含两个组件：数据生成阶段和鲁棒模型训练阶段。在第一个阶段，我们使用源自随机分布混洗攻击（RDSA）的定制方法生成了 1500 万人工训练样本。在第二个阶段，我们引入了鲁棒架构，包括（i）具有相同类型特征共享权重的特征嵌入块（Feature Embedding Block），以及（ii）负责最终预测的稠密融合尾部（Dense Fusion Tail）。在我们的对抗数据集上训练此架构，实现了 80% 的混合准确率，超过第二名方案两百个百分点。
引用
@article{arxiv.2510.16443,
title = {Colliding with Adversaries at ECML-PKDD 2025 Model Robustness Competition 1st Prize Solution},
author = {Dimitris Stefanopoulos and Andreas Voskou},
journal= {arXiv preprint arXiv:2510.16443},
year = {2025}
}