无需（额外）监督的解码器无关鲁棒性解耦
机器学习
2020-07-06 v1 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
对抗训练 (Adversarial Training, AT) 旨在通过仅从输入中提取鲁棒特征来缓解机器学习模型的对抗脆弱性，然而，这不可避免地导致严重的精度下降，因为它丢弃了非鲁棒但有用的特征。这促使我们保留鲁棒和非鲁棒特征，并通过解耦表示学习将它们分离。我们提出的对抗非对称训练 (Adversarial Asymmetric Training, AAT) 算法能够在无需额外鲁棒性监督的情况下可靠地解耦鲁棒和非鲁棒表示。实证结果表明，我们的方法不仅通过组合两种表示成功保持了精度，而且实现了比先前工作好得多的解耦效果。
引用
@article{arxiv.2007.01356,
title = {Decoder-free Robustness Disentanglement without (Additional) Supervision},
author = {Yifei Wang and Dan Peng and Furui Liu and Zhenguo Li and Zhitang Chen and Jiansheng Yang},
journal= {arXiv preprint arXiv:2007.01356},
year = {2020}
}