扩大扩散模型在鲁棒分类器训练中的作用
机器学习
2026-02-24 v1 计算机视觉与模式识别
摘要
将 diffusion 生成的合成数据融入对抗训练 (AT) 已被证明可显著提升鲁棒图像分类器的训练效果。本文扩展了扩散模型的作用，不仅限于生成合成数据，更探讨其内部表示——这些表示编码了数据中有意义的特征——是否为鲁棒分类器训练提供额外益处。通过系统化实验，我们展示扩散模型提供的表示既具多样性又部分具鲁棒性，显式地将扩散表示作为辅助学习信号整合进 AT 过程，可在各种设置下持续提升鲁棒性。此外，我们的表示分析表明，将扩散模型纳入 AT 有助于鼓励更具解耦性的特征，而扩散表示与扩散生成的合成数据在塑造表示方面发挥互补作用。在 CIFAR-10、CIFAR-100 和 ImageNet 上的实验验证了这些发现，证明在 AT 中联合利用扩散表示与合成数据具有有效性。
引用
@article{arxiv.2602.19931,
title = {Expanding the Role of Diffusion Models for Robust Classifier Training},
author = {Pin-Han Huang and Shang-Tse Chen and Hsuan-Tien Lin},
journal= {arXiv preprint arXiv:2602.19931},
year = {2026}
}