FastAT 基准：公平评估快速对抗训练方法的全面框架
计算机视觉与模式识别
2026-04-28 v1 机器学习
摘要
快速对抗训练（FastAT）旨在以标准多步骤方法（如 PGD-AT）的数倍计算成本实现对抗鲁棒性。尽管近年来提出了众多 FastAT 技术，但它们之间的公平比较仍存缺失。现有基准和公开排行榜通常允许 diverse model architectures、vary training configurations 和 external data sources，导致难以判断报告的改进是源于真正的算法进步还是仅因更有利的实验条件。为此，我们提出 FastAT 基准，一个基于三个核心设计原则的受控评估框架：统一的模型架构要求、标准化的训练设置以及严格禁止使用 external 或 synthetic data。该基准在单一代码库中实现了二十余个具有代表性的 FastAT 方法，实现直接且可复现的比较。每种方法通过双指标评估框架评估：包括对抗鲁棒性（PGD、AutoAttack 和 CR Attack 下准确率）和计算成本（GPU 训练时间和峰值内存占用）。在 CIFAR-10、CIFAR-100 和 Tiny-ImageNet 上进行全面实验，提供可靠的基线测量，揭示精心设计的单步骤方法可在显著更低成本下匹配或超越 PGD-AT 的鲁棒性，而没有单一方法在所有评估维度上均占据优势。完整基准，包括源代码、配置文件和实验结果，已公开，以支持透明且公平的未来 FastAT 研究评估。
引用
@article{arxiv.2604.22853,
title = {FastAT Benchmark: A Comprehensive Framework for Fair Evaluation of Fast Adversarial Training Methods},
author = {Chao Pan and Xin Yao},
journal= {arXiv preprint arXiv:2604.22853},
year = {2026}
}
备注
9 pages, 2 figures, 3 tables. Code: https://github.com/fzjcdt/FastAT_Benchmark Project page: https://fzjcdt.github.io/FastAT_Benchmark/benchmark.html