BriefGPT - AI 论文速递
·
通过去偏置高置信度对数值对齐实现对抗鲁棒性
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了DHAT对抗训练方法，通过调整对抗样本的数值，增强模型的鲁棒性。实验结果显示DHAT在多个视觉数据集上表现出色。
🎯
关键要点
- 本研究提出了一种新的对抗训练方法——去偏置高置信度对抗训练(DHAT)。
- DHAT通过调整对抗样本的对数值，使其与去偏置的高置信度对数值对齐。
- 该方法旨在恢复模型的注意力到正常状态。
- 实验结果表明，DHAT在多个视觉数据集上表现出色。
- DHAT增强了模型的鲁棒性。
➡️
