探索用于无监督域适应的对抗鲁棒训练
计算机视觉与模式识别
2022-10-05 v2 机器学习
摘要
无监督域适应（UDA）方法旨在将知识从有标签的源域迁移到无标签的目标域。UDA 已在计算机视觉文献中被广泛研究。深度网络已被证明易受对抗攻击。然而，极少有工作致力于提升深度 UDA 模型的对抗鲁棒性，引发了关于模型可靠性的严重担忧。对抗训练（AT）被认为是最成功的对抗防御方法。然而，常规 AT 需要真实标签来生成对抗样本并训练模型，这限制了其在无标签目标域中的有效性。本文中，我们旨在探索 AT 以增强 UDA 模型的鲁棒性：如何通过 AT 在提升无标签数据鲁棒性的同时学习域不变特征用于 UDA？为回答该问题，我们系统研究了多种可潜在应用于 UDA 的 AT 变体。此外，我们据此提出了一种用于 UDA 的新型对抗鲁棒训练方法，称为 ARTUDA。在多种对抗攻击与 UDA 基准上的大量实验表明，ARTUDA 一致地提升了 UDA 模型的对抗鲁棒性。代码见 https://github.com/shaoyuanlo/ARTUDA
引用
@article{arxiv.2202.09300,
title = {Exploring Adversarially Robust Training for Unsupervised Domain Adaptation},
author = {Shao-Yuan Lo and Vishal M. Patel},
journal= {arXiv preprint arXiv:2202.09300},
year = {2022}
}
备注
Accepted at Asian Conference on Computer Vision (ACCV) 2022