参数插值对抗训练

抑制过拟合

通过逐轮插值模型参数，使决策边界变化更平缓，从而提升对抗鲁棒性。

Xin, Liu · Yichen, Yang · 何琨 · Hopcroft, John E.H.

IEEE Transactions on Information Forensics and Security 2025

技术优势

抑制过拟合

通过逐轮插值参数，平缓决策边界变化，避免模型过度拟合训练数据中的对抗样本。

提升鲁棒性

同时适用于CNN和ViT，在多个基准数据集上均能显著提升对抗鲁棒性。

增强防御

利用NMSE对齐干净样本与对抗样本的logits相对幅度，进一步强化防御性能。

应用场景

• 对抗攻击防御：为防御对抗攻击提供一种训练策略，可提升模型鲁棒性。
• 鲁棒图像分类：用于图像分类任务，使模型对对抗扰动更具鲁棒性。
• 深度模型安全：增强深度模型安全性，降低被对抗样本攻击的风险。