通过跨域集成实现鲁棒性
计算机视觉与模式识别
2021-09-06 v2 机器学习
摘要
我们提出了一种使神经网络预测对训练数据分布偏移具有鲁棒性的方法。所提方法基于通过一组多样化的线索（称为“中间域”）进行预测，并将其集成为一次强预测。该思想的前提是，通过不同线索做出的预测对分布偏移的响应不同，因此应能将它们合并为一次鲁棒的最终预测。我们基于与每个预测相关的不确定性，以直接但有原则的方式执行合并。评估在多个任务和数据集（Taskonomy、Replica、ImageNet、CIFAR）上、在广泛的对抗性和非对抗性分布偏移下进行，结果表明所提方法比标准学习对应方法、常规深度集成以及若干其他基线方法具有显著更强的鲁棒性。
引用
@article{arxiv.2103.10919,
title = {Robustness via Cross-Domain Ensembles},
author = {Teresa Yeo and Oğuzhan Fatih Kar and Alexander Sax and Amir Zamir},
journal= {arXiv preprint arXiv:2103.10919},
year = {2021}
}
备注
Project website at https://crossdomain-ensembles.epfl.ch/