通过自我知识指导提高快速对抗训练

本研究将对抗训练引入自监督学习，提出了一种通用的预训练模型，显著提升了CIFAR-10数据集的性能。

研究发现不同的自监督预训练模型具有不同的对抗性漏洞，并提出了一种集成策略来提高模型的强健性。

针对快速对抗训练中的过拟合问题，提出了基于先验引导的快速梯度符号方法(FGSM)初始化策略和正则化方法。

提出FGSM-PGK方法，通过高质量的对抗扰动生成正样本引导的对抗初始化，解决catastrophic overfitting问题。

提出的FGSM-LAW方法结合Lipschitz正则化和自动权重平均化，实验结果显示其在多个数据集上表现优越。

研究还探讨了对抗训练中学习率衰减引起的非鲁棒特征记忆和非鲁棒过拟合问题，并提出了重新平衡对抗训练的方法。

提出Adversarial Feature Alignment (AFA)方法，旨在平衡深度学习模型的鲁棒性和准确性，实验结果显示其性能卓越。

提出FGSM-PCO方法，通过自适应机制生成当前阶段的对抗样本，减轻灾难性过拟合问题，验证了算法的有效性。