更严格推送以更好决策：一种用于提升对抗鲁棒性的类条件特征自适应框架
计算机视觉与模式识别
2021-12-02 v1
摘要
为应对对抗样本的威胁，对抗训练通过在在线增强的对抗样本上训练模型，提供了一种增强模型鲁棒性的诱人选择。然而，现有大多数对抗训练方法侧重于通过加强对抗样本来提升鲁棒准确率，却忽视了自然数据与对抗样本之间日益增大的偏移，导致自然准确率急剧下降。为维持自然准确率与鲁棒准确率之间的权衡，我们从特征自适应角度缓解该偏移，并提出一种特征自适应对抗训练（FAAT），优化自然数据与对抗样本间的类条件特征自适应。具体而言，我们提出引入一个类条件判别器以鼓励特征变得（1）类可判别与（2）对对抗攻击的变化保持不变。这一新颖的 FAAT 框架通过生成在自然与对抗数据间分布相似的特征，实现了自然与鲁棒准确率间的权衡，并受益于类可判别特征特性获得了更高的整体鲁棒性。在多个数据集上的实验表明，FAAT 产生了更具判别性的特征，并优于最先进的方法。代码可在 https://github.com/VisionFlow/FAAT 获取。
引用
@article{arxiv.2112.00323,
title = {Push Stricter to Decide Better: A Class-Conditional Feature Adaptive Framework for Improving Adversarial Robustness},
author = {Jia-Li Yin and Lehui Xie and Wanqing Zhu and Ximeng Liu and Bo-Hao Chen},
journal= {arXiv preprint arXiv:2112.00323},
year = {2021}
}