基于几何对齐的受长尾分布鲁棒性的流形约束对抗训练
网络与互联网体系结构
2026-05-05 v1
摘要
对抗训练在平衡数据集上效果良好，但在长尾分布下鲁棒性会下降，尾部类别面临高鲁棒误差和不稳定决策边界。我们提出流形约束对抗训练 (MCAT)，一个统一框架，通过惩罚特征空间中偏离类别条件流形的偏差来强制对抗样本的语义有效性，同时通过类似 ETF 的正则化在类别之间促进平衡的几何分离。我们提供理论结果，阐明几何分离与对抗鲁棒边际下界的关系，并表明流形约束对抗风险上界为高密度语义区域内的鲁棒风险。广泛的在标准长尾基准上的实验表明，MCAT 在整体、平衡和尾部类别的对抗鲁棒性方面均实现了持久的改进。
引用
@article{arxiv.2605.02182,
title = {Zero-Trust Bilateral Edge Service Trading with Deposit-Refund Regulation for Runtime Compliance},
author = {Houyi Qi and Minghui Liwang and Zhipeng Cheng and Xiaoyu Xia},
journal= {arXiv preprint arXiv:2605.02182},
year = {2026}
}
备注
This paper has been submitted to a conference