众多之力：多样增强措施的协同统一以提高对抗鲁棒性

对抗扰动对深度学习模型构成重大威胁。对抗训练 (AT) 作为主要防御方法面临高计算成本和标准性能下降的挑战。虽然数据增强提供了另一种路径，但现有技术要么导致鲁棒性提升有限，要么造成巨大的训练开销。因此，开发既高效又强鲁棒的防御机制至关重要。在本工作中，我们首先系统性地分析了现有增强技术，揭示出多样策略之间的协同作用——而非单一方法——对于增强鲁棒性至关重要。基于这一洞见，我们提出了通用对抗增强器 (Universal Adversarial Augmenter, UAA) 框架，其具有即插即用特性和训练效率。UAA 通过离线预计算通用变换，将昂贵的扰动生成过程从模型训练中解耦，然后在训练期间高效地为每个样本生成唯一的对抗扰动。对多个基准进行的广泛实验验证了 UAA 的有效性。结果表明，UAA 在无需在训练期间在线生成对抗样本的情况下，建立了数据增强基于对抗防御策略的新型最先进技术 (SOTA)。该框架为构建稳健模型提供了实用且高效的途径。我们的代码已包含在补充材料中。