多散布低曲率模型融合的集成对抗防御
原文中文,约200字,阅读约需1分钟。发表于: 。通过降低攻击的可转移性,我们的研究试图增强集成模型的多样性,特别关注在曲率的影响下训练多个更多样且具有低曲率的网络模型,从而提高对各种攻击的鲁棒性。
该论文提出了一种新的方法,通过探索个体网络之间的交互来提高集成模型的抗干扰性,并演示了一种适应性的多样性促进正则化器,以提高集成的鲁棒性。该方法在各种数据集上取得了良好的实验效果。
通过降低攻击的可转移性,我们的研究试图增强集成模型的多样性,特别关注在曲率的影响下训练多个更多样且具有低曲率的网络模型,从而提高对各种攻击的鲁棒性。
该论文提出了一种新的方法,通过探索个体网络之间的交互来提高集成模型的抗干扰性,并演示了一种适应性的多样性促进正则化器,以提高集成的鲁棒性。该方法在各种数据集上取得了良好的实验效果。