鲁棒性能双提升
通过学习每个神经元注入高斯噪声的最优分布，在保持任务性能的同时显著增强神经网络对对抗攻击的鲁棒性。
晓丽 · Zeliang, Zhang · 黄魁华 · Jinyang, Jiang · Peng, Yijie
IEEE Transactions on Automation Science and Engineering 2024
通过同时优化噪声分布和模型参数，在多个网络结构上显著提升鲁棒性，且任务性能不受影响。
计算路径随机梯度估计仅需相对于每个神经元噪声标准差进行，训练中优化噪声分布几乎不增加额外计算量。
在多个流行的网络结构上，该方法在黑盒和白盒攻击下均能实现显著的鲁棒性提升。
在两个自动化任务上，与传统神经网络相比，该技术在性能、鲁棒性和视觉可解释性方面均表现更优。