F²AT对抗训练方法

兼顾干净与稳健

通过位平面解耦自然与扰动模式，强制模型聚焦核心特征，同时显著提升干净精度与对抗鲁棒性。

钱亚冠 · Chenyu, Zhao · 顾钊铨 · 王斌 · 纪守领 · 王伟 · Zhang, Yanchun

IEEE Transactions on Knowledge and Data Engineering 2025

技术优势

干净精度与鲁棒性同步提升

利用位平面切分将自然模式与扰动模式解耦，强制模型聚焦核心特征而非虚假特征，从而在对抗训练中同时提升干净精度和鲁棒性。

位平面切分解耦有效

假设高位平面代表自然模式、低位平面代表扰动模式，通过位平面切分成功解耦两种模式，为后续特征聚焦提供基础。

应用场景

• 自动驾驶：提升自动驾驶系统对恶意攻击的鲁棒性，减少事故风险。
• 监控安全：防止监控系统被对抗样本欺骗，确保安全可靠。
• 医疗诊断：提高医疗诊断模型对噪声和攻击的稳定性，保障诊断准确。