显著提升集成模型鲁棒性
从数据视角重构训练批次，通过多样化特征降低子模型间相似度，从而增强集成模型对对抗攻击的鲁棒性。
Zhuang, Wenzi · 黄李峰 · 高成英 · 刘宁
Pattern Recognition 2024
LAFED 利用其他子模型的脆弱特征作为原始数据，结合随机权重在潜在空间生成新特征，从而降低子模型间的表示相似度。
通过层级平滑标签进一步增强集成模型内部的特征多样性，使模型在面对对抗攻击时表现更加稳健。
该方法可集成到现有训练流程中，无需改变模型架构，即可提升集成模型的鲁棒性。