对隐藏变异因素的鲁棒性与适应性
机器学习
2022-03-04 v1 计算机视觉与模式识别
摘要
我们在此处理 AI 鲁棒性中一个特定且仍未被广泛关注的方面，即寻求模型性能对数据中隐藏变异因素的不变量性/不敏感性。为此，我们采用两步策略：a) 通过生成模型无监督地发现导致模型表现不佳的敏感因素，b) 对模型进行干预以使其性能对这些敏感因素的影响保持不变。我们考虑了三种独立的鲁棒性干预方法，包括：数据增强、语义一致性与对抗对齐。我们使用衡量不变性(不敏感性)与整体性能(效用)之间权衡的指标评估了我们的方法，并展示了该方法在三种设定(无监督、半监督与泛化)下的益处。
引用
@article{arxiv.2203.01864,
title = {Robustness and Adaptation to Hidden Factors of Variation},
author = {William Paul and Philippe Burlina},
journal= {arXiv preprint arXiv:2203.01864},
year = {2022}
}