基于數(shù)據(jù)增強和標簽噪聲的快速對抗訓練方法

摘要： 對抗訓練（AT）是保護分類模型免受對抗性攻擊的有效防御方法；然而，在訓練過程中生成強對抗樣本的高成本可能導致大量的額外訓練時間。為了突破這一限制，探索基于單步攻擊的快速對抗訓練（FAT）。以往的工作從樣本初始化、損失正則化和訓練策略等不同角度改進了FAT；然而，在處理大擾動預算時會遇到災難性過擬合（CO）。因此，提出一種基于數(shù)據(jù)增強與標簽噪聲的FAT方法。首先，對原始樣本執(zhí)行多... （共10頁）