鲁棒化域适应
计算机视觉与模式识别
2021-03-26 v2
摘要
无监督域适应(UDA)被广泛用于将知识从有标签的源域迁移到数据分布不同的无标签目标域。尽管大量研究证实深度学习模型易受对抗攻击，但域适应应用中模型的对抗鲁棒性在很大程度上被忽视。本文指出，UDA中不可避免的域分布偏差是目标域上模型鲁棒性的关键障碍。为解决该问题，我们提出一种新颖的类别一致无监督鲁棒域适应(CURDA)框架，用于训练鲁棒UDA模型。通过引入对比鲁棒训练与源锚定对抗对比损失，我们所提CURDA框架可在不产生分类混淆的前提下，同时最小化数据分布偏差与目标域干净-对抗样本对之间的距离，从而有效使UDA模型鲁棒化。在多个公开基准上的实验表明，CURDA能以干净样本上仅微小的精度代价显著提升目标域模型的鲁棒性。
引用
@article{arxiv.2011.09563,
title = {Robustified Domain Adaptation},
author = {Jiajin Zhang and Hanqing Chao and Pingkun Yan},
journal= {arXiv preprint arXiv:2011.09563},
year = {2021}
}