超对抗调优LoRA

对抗鲁棒性新SOTA

通过元学习整合多种防御机制，共享防御知识，在计算开销可控下大幅提升预训练视觉Transformer的对抗鲁棒性。

Kangtao, Lv · Wenyan, Fan · Huangsen, Cao · Kainan, Tu · Yihuai, Xu · Zhimeng, Zhang · Li, Yang · Xin, Ding · Wang, Yongwei

Pattern Recognition 2026

技术优势

共享防御知识

通过元学习捕捉不同防御方法间的共享知识，使得新防御任务能快速适配，提升训练效率。

多种防御合并

提出的自适应合并策略将针对不同防御的LoRA结合，进一步提高鲁棒性而不增加推理开销。

计算开销可控

相比全参数对抗微调，该方法在保持高性能的同时避免了过高的计算成本。

应用场景

• 视觉Transformer对抗防御：为部署的ViT模型提供高效鲁棒化方案，抵御对抗攻击。
• 模型安全部署：在不牺牲性能的前提下增强模型安全性，降低被攻击风险。
• 鲁棒感知系统：提升感知系统在对抗干扰下的可靠性，保障关键任务稳定运行。
• 工业视觉鲁棒性：助力工业视觉模型抵御恶意输入，维护自动化流程安全。