通过耦合数据平滑与标签平滑实现鲁棒分类
计算机视觉与模式识别
2025-05-05 v3 机器学习
机器学习
摘要
引入训练时的数据增强是增强泛化能力并使深度神经网络为测试时的损坏做好准备的关键技术。受生成扩散模型成功的启发，我们提出了一种新颖的方法，将数据平滑（以图像加噪和模糊的形式）与标签平滑相结合，以使预测的标签置信度与图像退化程度对齐。该方法实现简单，引入的开销可忽略不计，并且可以与现有的数据增强方法结合使用。我们在CIFAR、TinyImageNet和ImageNet数据集的损坏图像基准上展示了改进的鲁棒性和不确定性量化。
引用
@article{arxiv.2406.01494,
title = {Robust Classification by Coupling Data Mollification with Label Smoothing},
author = {Markus Heinonen and Ba-Hien Tran and Michael Kampffmeyer and Maurizio Filippone},
journal= {arXiv preprint arXiv:2406.01494},
year = {2025}
}
备注
AISTATS 2025. Code: https://github.com/markusheinonen/supervised-mollification