关于对抗数据增强在鲁棒与自适应迁移学习中的机制
机器学习
2025-05-20 v1 计算机视觉与模式识别
摘要
跨域迁移学习在分布迁移下仍是构建鲁棒且可适应机器学习系统的根本挑战。虽然对抗扰动传统上被视为暴露模型脆弱性的威胁，但近期研究表明它们也可作为数据增强的建设性工具。本 work 系统性地探讨了对抗数据增强（ADA）在提升鲁棒性和适应性方面的作用。我们分析了在训练期间以策略性方式使用对抗样本如何通过丰富决策边界和减少对源域特定特征的过拟合来提高域泛化能力。我们进一步提出一种统一框架，将 ADA 与一致性正则化和域无关表征学习集成。广泛的实验在包括 VisDA、DomainNet 和 Office-Home 在内的多个基准数据集上进行，表明我们的方法在无监督和少样本域适应设置下均能稳定提升目标域性能。我们的结果凸显了对抗学习的建设性视角，将扰动从破坏性攻击转化为跨域迁移性的正则化力量。
引用
@article{arxiv.2505.12681,
title = {On the Mechanisms of Adversarial Data Augmentation for Robust and Adaptive Transfer Learning},
author = {Hana Satou and Alan Mitkiy},
journal= {arXiv preprint arXiv:2505.12681},
year = {2025}
}