在对抗训练中使用辅助数据集诱导数据扩增
计算机视觉与模式识别
2022-09-29 v1
摘要
近期若干研究表明，使用额外的同分布数据可带来高水平的对抗鲁棒性。然而，并不能保证总能为一选定数据集获取充足的额外数据。本文提出一种偏置多域对抗训练（BiaMAT）方法，利用公开可用的辅助数据集在主要数据集上诱导训练数据扩增，且无需主要数据集与辅助数据集间的类别分布匹配。所提方法可通过多域学习借助辅助数据集在主要数据集上实现增强的对抗鲁棒性。具体而言，如理论与实证分析所示，通过对 BiaMAT 的应用可完成对鲁棒与非鲁棒特征的数据扩增。此外，我们证明现有方法因辅助与主要数据间的分布差异而易受负迁移影响，而所提方法通过基于置信度的选择策略成功处理域差异，使神经网络能灵活利用多样化图像数据集进行对抗训练。预训练模型与代码见：\url{https://github.com/Saehyung-Lee/BiaMAT}。
引用
@article{arxiv.2209.14053,
title = {Inducing Data Amplification Using Auxiliary Datasets in Adversarial Training},
author = {Saehyung Lee and Hyungyu Lee},
journal= {arXiv preprint arXiv:2209.14053},
year = {2022}
}
备注
Accepted at WACV 2023