通过所学特征空间结构估计分类模型的鲁棒性
计算机视觉与模式识别
2021-08-20 v2
摘要
在过去十年中，深度图像分类网络的发展主要由在 ImageNet 等标准化基准上分类准确率的性能追求所驱动。近来，这一焦点因模型鲁棒性概念而扩展，即模型对数据中前所未见变化的泛化能力。虽然已引入如 ImageNet-C 等新基准来衡量鲁棒性属性，但我们认为固定测试集仅能捕捉可能数据变化的一小部分，因而存在局限且易于产生新的过拟合解。为克服这些缺陷，我们建议直接从所学特征空间的结构估计模型鲁棒性。我们引入鲁棒性指标，其通过训练分类器潜在表示的无监督聚类获得，并展示出与 corrupted 测试数据上模型性能的极高相关性。
引用
@article{arxiv.2106.12303,
title = {Estimating the Robustness of Classification Models by the Structure of the Learned Feature-Space},
author = {Kalun Ho and Franz-Josef Pfreundt and Janis Keuper and Margret Keuper},
journal= {arXiv preprint arXiv:2106.12303},
year = {2021}
}