通过多视图一致性学习可迁移的对抗鲁棒表示
机器学习
2023-10-27 v2
摘要
尽管在少样本学习问题上取得了成功，大多数元学习模型仅关注在干净样本上取得良好性能，因此在给定对抗扰动样本时容易失效。虽然近期一些工作表明对抗学习与元学习的结合可增强元学习器对抗对抗攻击的鲁棒性，但它们未能实现对未见域与任务的泛化对抗鲁棒性，而后者正是元学习的最终目标。为应对这一挑战，我们提出了一种带有双编码器的元对抗多视图表示学习框架。具体而言，我们通过首先用同一数据实例的两个不同增强样本更新编码器参数，并进一步施加一种新颖的无标签对抗攻击以最大化其差异，从而引入这两个样本间的差异。然后，我们最大化视图间的一致性，以学习跨域与跨任务的可迁移鲁棒表示。通过在多个基准上的实验验证，我们证明了我们的框架在来自未见域的少样本学习任务上的有效性，相较以往的对抗元学习基线取得了超过 10% 的鲁棒准确率提升。
引用
@article{arxiv.2210.10485,
title = {Learning Transferable Adversarial Robust Representations via Multi-view Consistency},
author = {Minseon Kim and Hyeonjeong Ha and Dong Bok Lee and Sung Ju Hwang},
journal= {arXiv preprint arXiv:2210.10485},
year = {2023}
}
备注
*Equal contribution (Author ordering determined by coin flip). NeurIPS SafetyML workshop 2022, Under review