标签增强神经网络鲁棒性
计算机视觉与模式识别
2024-08-06 v1
摘要
分布外（out-of-distribution）泛化可分为两类：一类是源自现实世界自然变化产生的常见扰动，另一类是刻意设计以欺骗神经网络的对抗性扰动。虽然深度神经网络在训练与测试数据分布相同这一假设下表现出色，但常常面临分布外场景，导致准确率显著下降。数据增强方法能够有效提升对常见损坏的鲁棒性，但通常难以提升对对抗性扰动的鲁棒性。本研究开发了标签增强（Label Augmentation, LA）技术，既能提升对常见和刻意扰动的鲁棒性，又能改善不确定性估计。我们的发现表明，在与基线方法比较时采用LA可实现最高达23.29%的 Clean 错误率改进。此外，在常见损坏基准测试中提升最高可达24.23%。在针对FGSM和PGD攻击的测试中，对抗鲁棒性的提升显而易见，分别最高可达53.18%和24.46%。
引用
@article{arxiv.2408.01977,
title = {Label Augmentation for Neural Networks Robustness},
author = {Fatemeh Amerehi and Patrick Healy},
journal= {arXiv preprint arXiv:2408.01977},
year = {2024}
}
备注
21 pages, 4 figures, Published at 3rd Conference on Lifelong Learning Agents (CoLLAs), 2024