通过 Lipschitz 正则化和自动权重平均探索高效快速的对抗训练的重访
原文中文,约500字,阅读约需2分钟。发表于: 。该研究论文通过使用快速对抗训练技术(Fast Adversarial Training,简称 FAT)来提高模型的鲁棒性并减少标准对抗训练的训练成本,然而快速对抗训练经常受到灾难性过拟合(Catastrophic Overfitting,简称 CO)的影响,导致鲁棒性表现较差。本文对超过 10...
该研究使用快速对抗训练技术(FAT)提高模型鲁棒性并减少训练成本。作者研究了10种以上的快速对抗训练方法,并提出了Lipschitz正则化和自动权重平均化方法来进一步提高鲁棒性。实验结果显示该方法在四个基准数据库上表现优越。