基于隐空间虚拟对抗训练的正则化
机器学习
2022-12-27 v2 计算机视觉与模式识别
摘要
虚拟对抗训练（VAT）在近期开发的称为一致性正则化的正则化方法中取得了令人印象深刻的成果。VAT 利用在输入空间中注入扰动生成的对抗样本进行训练，从而增强分类器的泛化能力。然而，此类对抗样本只能生成在输入数据点周围极小的区域内，限制了这些样本的对抗有效性。为解决此问题，我们提出 LVAT（隐空间 VAT），其在隐空间而非输入空间中注入扰动。LVAT 可灵活生成对抗样本，产生更严重的对抗效果，从而提供更有效的正则化。隐空间由生成模型构建，本文中我们考察了两类不同模型：变分自编码器和归一化流，具体为 Glow。我们在监督与半监督学习场景下，使用 SVHN 和 CIFAR-10 数据集对图像分类任务评估了方法性能。评估中发现，我们的方法优于 VAT 及其他最先进方法。
引用
@article{arxiv.2011.13181,
title = {Regularization with Latent Space Virtual Adversarial Training},
author = {Genki Osada and Budrul Ahsan and Revoti Prasad Bora and Takashi Nishide},
journal= {arXiv preprint arXiv:2011.13181},
year = {2022}
}
备注
Accepted at ECCV 2020 (Oral)