TAET：基于长尾分布的两阶段对抗等化训练
机器学习
2025-03-24 v3 人工智能
机器学习
摘要
对抗鲁棒性是深度神经网络在实际应用中面临的关键挑战。虽然对抗训练被广泛认可为一种防御策略，但大多数现有研究聚焦于平衡数据集，忽略了实际数据中长尾分布的普遍性，这显著复杂化了鲁棒性问题。本文对抗训练在长尾分布下的鲁棒性进行了全面分析，识别了当前最先进方法 AT-BSL 在此类条件下达不到稳健性能的局限性。为解决这些挑战，我们提出了一种新型训练框架 TAET，集成初始的稳定阶段和分层等化对抗训练阶段。此外，长尾鲁棒性的前期工作基本忽略了平衡准确率这一关键评估指标。为弥合这一差距，我们引入了平衡鲁棒性的概念，这是一种针对长尾分布下鲁棒性评估的全面性度量标准。大量实验表明，我们的方法超越了现有先进防御方法，在内存和计算效率方面实现了显著提升。这一工作在解决实际应用中的鲁棒性挑战方面代表了一次重大进展。我们的代码已公开：https://github.com/BuhuiOK/TAET-Two-Stage-Adversarial-Equalization-Training-on-Long-Tailed-Distributions。
引用
@article{arxiv.2503.01924,
title = {TAET: Two-Stage Adversarial Equalization Training on Long-Tailed Distributions},
author = {Wang YuHang and Junkang Guo and Aolei Liu and Kaihao Wang and Zaitong Wu and Zhenyu Liu and Wenfei Yin and Jian Liu},
journal= {arXiv preprint arXiv:2503.01924},
year = {2025}
}
备注
Text: 8 pages of main content, 5 pages of appendices have been accepted by CVPR2025