对抗训练数据过滤方法
省 20% 算力
识别并剔除对抗训练中不重要的对抗样本，在保持甚至提升鲁棒性的同时降低计算成本。
Chen, Erhchung · Lee, Cherung
Pattern Recognition 2024
参数信息
- 鲁棒准确率
- 58.22 %
- 鲁棒准确率
- 30.68 %
- 鲁棒准确率
- 41.92 %
- 计算成本降低比例
- 20 %
- 自然准确率提升
- 1.5 %
技术优势
剔除无效样本
论文证明部分对抗样本对最终鲁棒性没有贡献，移除它们不会降低防御能力。
即插即用
该方法只需对现有对抗训练框架做少量修改即可结合使用。
鲁棒性不降反升
结合已有方法后，在多个数据集上鲁棒准确率均高于原方法。
应用场景
- 工业机器人：对抗训练让机器人在物理扰动下保持稳定控制，过滤法降本使实时训练可行。
- 计算芯片：芯片设计中需防御对抗样本攻击，该方法以更少算力达到同等鲁棒性。
- 量子通信：量子通信系统受噪声干扰，对抗训练可提高解码鲁棒性且降低训练开销。
- 物联网与传感网：物联网设备算力受限，过滤法降低对抗训练成本，便于部署轻量防御模型。