抵御视角对抗攻击的可靠解耦多视角学习

可信多视角学习因其证据学习能提供可靠的预测不确定性估计，从而增强多视角预测的可信度而受到广泛关注。现有的可信多视角学习方法隐含地假设多视角数据是安全的。然而，在自动驾驶和安全监控等安全敏感应用中，多视角数据常面临对抗性扰动的威胁，从而欺骗或干扰多视角模型。这不可避免地导致了可信多视角学习中的对抗不可靠性问题（AUP）。为克服这一棘手问题，我们提出了一种新颖的多视角学习框架，即可靠解耦多视角学习（RDML）。具体而言，我们首先提出证据解耦学习，在由预训练证据提取器提取的相应证据的引导下，将每个视角分解为干净部分和对抗部分。然后，我们采用特征重校准模块来减轻对抗性扰动的负面影响，并从中提取潜在的有用信息特征。最后，为进一步忽略不可修复的对抗干扰，我们设计了一种视角级证据注意力机制。在带有对抗攻击的多视角分类任务上的大量实验表明，RDML 以相对较大的优势优于最先进的方法。我们的代码可在 https://github.com/Willy1005/2025-IJCAI-RDML 获取。