PixMix：类梦境图像全面改进安全性指标
机器学习
2022-03-30 v3 计算机视觉与模式识别
摘要
在机器学习的实际应用中，可靠且安全的系统必须考虑标准测试集准确率之外的性能指标。这些其他目标包括分布外（OOD）鲁棒性、预测一致性、对抗鲁棒性、校准的不确定性估计，以及检测异常输入的能力。然而，改进这些目标的性能往往是一种平衡行为，当今的方法无法在不牺牲其他安全轴性能的情况下实现。例如，对抗训练提升了对抗鲁棒性，却急剧降低了其他分类器性能指标。类似地，强数据增强与正则化技术常改善OOD鲁棒性但损害异常检测，这引发了是否存在对所有现有安全指标的帕累托改进的可能性的疑问。为应对这一挑战，我们设计了一种利用分形等图像的自然结构复杂性的新数据增强策略，其优于众多基线，接近帕累托最优，并全面地改进了安全性指标。
引用
@article{arxiv.2112.05135,
title = {PixMix: Dreamlike Pictures Comprehensively Improve Safety Measures},
author = {Dan Hendrycks and Andy Zou and Mantas Mazeika and Leonard Tang and Bo Li and Dawn Song and Jacob Steinhardt},
journal= {arXiv preprint arXiv:2112.05135},
year = {2022}
}
备注
CVPR 2022. Code and models are available at https://github.com/andyzoujm/pixmix