D2R：基于协作对抗生成的双正则化损失
计算机视觉与模式识别
2025-06-10 v1 密码学与安全
机器学习
摘要
深度神经网络模型的鲁棒性对于防御对抗攻击至关重要。最近的防御方法采用协作学习框架来增强模型鲁棒性。现有方法存在两个关键局限性：(i) 损失函数对目标模型的指导不足，(ii) 非协作的对抗生成。因此，我们提出了双正则化损失 (D2R Loss) 方法和协作对抗生成 (CAG) 策略，用于对抗训练。D2R损失包含两个优化步骤。对抗分布和干净分布的优化通过对合适函数空间探索获得的不同损失函数的优势，更精确地聚焦于目标模型的分布，从而增强目标模型的鲁棒性。CAG生成性别样本，利用引导模型和目标模型之间的梯度基础协作。我们在三个基准数据库上进行了大量实验，包括 CIFAR-10、CIFAR-100、Tiny ImageNet，以及两个流行的目标模型 WideResNet34-10 和 PreActResNet18。我们的结果表明，D2R损失与CAG联合产生高度鲁棒的模型。
引用
@article{arxiv.2506.07056,
title = {D2R: dual regularization loss with collaborative adversarial generation for model robustness},
author = {Zhenyu Liu and Huizhi Liang and Rajiv Ranjan and Zhanxing Zhu and Vaclav Snasel and Varun Ojha},
journal= {arXiv preprint arXiv:2506.07056},
year = {2025}
}