抗攻击多视图分类模型

视图可信评估抗攻击

利用主观逻辑中的证据不和谐测量来评估视图质量，并通过不和谐感知的证据集成和视图间梯度惩罚来提高模型抵御对抗样本的能力。

岳晓冬 · Zhicheng, Dong · 陈宇飞 · 谢少荣

Information Fusion 2025

技术优势

度量视图质量

利用主观逻辑中的证据不和谐测量来评估视图质量，从而识别出对抗样本污染的低质量视图。

融合更可靠

基于不和谐度量的不和谐感知证据集成策略在多视图信息融合时降低了低质量视图的影响。

训练更鲁棒

在多视图分类的学习目标中引入视图间证据梯度惩罚，提升了模型对对抗样本的鲁棒性。

应用场景

• 物联网多源数据融合：在物联网多源数据融合中提升分类的可靠性，例如异常检测。
• 多传感器协同感知：在多传感器协同感知中抵抗传感器数据中的对抗干扰。
• 多模态具身感知：为多模态具身感知提供对抗鲁棒性，保障可靠决策。
• 机器人多传感器融合：使机器人多传感器融合在对抗干扰下仍能稳定分类。