弱监督对比对抗训练：从半监督数据中学习鲁棒特征
计算机视觉与模式识别
2025-03-21 v2
摘要
现有的对抗训练（AT）方法常常遭受不完整扰动的问题，即在生成对抗样本（AE）时并非所有非鲁棒特征都被扰动。这导致非鲁棒特征与标签之间残留相关性，从而阻碍鲁棒特征的最优学习。然而，实现完全扰动——即尽可能多地扰动非鲁棒特征——具有挑战性，原因在于难以区分鲁棒与非鲁棒特征，以及标注数据的稀疏性。为应对这些挑战，我们提出了一种名为弱监督对比对抗训练（WSCAT）的新方法。WSCAT 通过在部分标注数据上生成完整的对抗样本，从信息论角度打破非鲁棒特征与标签之间的相关性，从而确保完全扰动以改进鲁棒特征的学习。广泛的理论分析和在广泛采用的基准数据集上的全面实验验证了 WSCAT 的优越性。我们的代码可在 https://github.com/zhang-lilin/WSCAT 获取。
引用
@article{arxiv.2503.11032,
title = {Weakly Supervised Contrastive Adversarial Training for Learning Robust Features from Semi-supervised Data},
author = {Lilin Zhang and Chengpei Wu and Ning Yang},
journal= {arXiv preprint arXiv:2503.11032},
year = {2025}
}
备注
This paper has been accepted by CVPR 2025