硬度制导对抗训练框架

鲁棒与精度双升

利用样本硬度动态调整攻击策略，同时提升模型鲁棒性和自然精度。

He, Shiyuan · 位纪伟 · Zhang, Chaoning · 徐行 · Song J. · 杨洋 · 申恒涛

IEEE Transactions on Multimedia 2024

技术优势

鲁棒与精度同升

在三个基准数据集上均优于现有先进防御方法，同时提升鲁棒性和自然精度。

按样本硬度攻防

根据当前对抗样本的硬度动态调整攻击策略，使训练更高效。

直接学攻击影响

利用时间和空间分布两种约束直接学习攻击方法对模型的影响，而非依赖样本分布的间接效应。

应用场景

• 对抗鲁棒性：提升模型在恶意扰动下的分类稳定性和安全性。
• 模型安全：为AI系统提供抵御对抗攻击的有效防御手段。
• 防御方法：提供一种先进的对抗训练方法，可替代传统防御方案。
• 深度学习：增强深度神经网络的鲁棒性与可靠性。