长期交叉对抗训练：一种用于少样本分类任务的鲁棒元学习方法
机器学习
2021-07-02 v3 密码学与安全
计算机视觉与模式识别
摘要
元学习模型可利用少样本标注数据快速适应新任务。然而，尽管在少样本分类任务上取得了良好泛化性，提升元学习模型在少样本学习中的对抗鲁棒性仍具挑战。尽管如对抗查询（AQ）等对抗训练（AT）方法可改善元学习模型的对抗鲁棒性能，AT 仍是计算代价高昂的训练。另一方面，经 AT 训练的元学习模型在原始干净图像上精度显著下降。本文提出一种称为长期交叉对抗训练（LCAT）的对抗鲁棒神经网络元学习方法。LCAT 将沿自然与对抗样本分布方向长期交叉更新元学习模型参数，以提升对抗与干净少样本分类精度。由于交叉对抗训练，LCAT 仅需 AQ 一半的对抗训练轮数，从而降低对抗训练计算量。实验结果表明，相较于元学习模型的 SOTA 对抗训练方法，LCAT 在干净与对抗少样本分类精度上均取得更优性能。
引用
@article{arxiv.2106.12900,
title = {Long-term Cross Adversarial Training: A Robust Meta-learning Method for Few-shot Classification Tasks},
author = {Fan Liu and Shuyu Zhao and Xuelong Dai and Bin Xiao},
journal= {arXiv preprint arXiv:2106.12900},
year = {2021}
}
备注
Accepted by the ICML 2021 Workshop on A Blessing in Disguise: The Prospects and Perils of Adversarial Machine Learning(https://openreview.net/group?id=ICML.cc/2021/Workshop/AML)