TRIX：通过混合对抗训练实现对抗性公平性
机器学习
2025-07-11 v1 计算机视觉与模式识别
摘要
对抗训练（AT）是抗击对抗样本的广泛采用的防御方法，但现有方法通常在所有类别上应用统一训练目标，忽略类别间脆弱性差异。这导致对抗不公平：特征可区分性强的类别（强类别）趋向更健壮，而特征重叠或共享的类别（弱类别）则不堪一击。我们观察到强类别在训练中不需要强对抗样本，因其非鲁棒特征迅速被抑制；而弱类别受益于更强的对抗样本，以有效降低脆弱性。为此，我们引入TRIX，一种基于特征的对抗训练框架，为强类别分配较弱的有针对性对抗样本以促进特征多样性（通过均匀抽样目标），为弱类别分配更强的无目标对抗样本以提升其针对性鲁棒性。TRIX进一步整合了类别相关损失权重和扰动强度调整，在此基础上强化对弱类别的优化。在标准图像分类基准测试上进行全面实验，包括针对PGD和AutoAttack等强对抗攻击的评估，表明TRIX在干净数据和对抗数据上的最坏情况类别准确率显著提升，降低类别间鲁棒性差距，同时保持整体准确率。我们的结果表明，TRIX是实现公平且有效对抗防御的实用方法。
引用
@article{arxiv.2507.07768,
title = {TRIX- Trading Adversarial Fairness via Mixed Adversarial Training},
author = {Tejaswini Medi and Steffen Jung and Margret Keuper},
journal= {arXiv preprint arXiv:2507.07768},
year = {2025}
}