TAROT：面向本质域不变鲁棒性的理论依据
人工智能
2025-05-13 v1 机器学习
摘要
鲁棒域适应针对对抗性攻击的鲁棒性研究，旨在开发能够在多样且具挑战性的域中保持一致性能的模型。本文推导了针对鲁棒域适应的新型发散度度量，并据此为目标域上的鲁棒风险构建了新的概化界限。基于此，我们提出了名为 TAROT 的新型算法，旨在增强域适应性和鲁棒性。通过大量实验，TAROT 不仅在准确率和鲁棒性方面超越了当前最先进的方法，还通过有效学习域无关特征，显著提升了域泛化和可扩展性。特别是，TAROT 在具有挑战性的 DomainNet 数据集上取得卓越成绩，展示了其在不同域（包括不可见域）上学习域无关表征的能力。这些结果突显了该方法在现实域适应场景中的更广泛适用性。
引用
@article{arxiv.2505.06580,
title = {TAROT: Towards Essentially Domain-Invariant Robustness with Theoretical Justification},
author = {Dongyoon Yang and Jihu Lee and Yongdai Kim},
journal= {arXiv preprint arXiv:2505.06580},
year = {2025}
}
备注
Accepted in CVPR 2025 (19 pages, 7 figures)