English(EN) Confusion-Geometry Rebalancing for Long-Tailed Adversarial Training

新的CGRm方法增强了长尾数据集上的对抗性训练

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-11 04:00

研究人员开发了一种名为混淆几何再平衡（CGRm）的新方法，以解决长尾分布数据集上对抗性训练的挑战。该方法利用定向鲁棒误差和混淆几何图来识别和纠正导致训练偏向主导类别的偏差。实验表明，CGRm提高了弱势类别的鲁棒性，并在长尾基准测试中优于现有方法。 AI

影响这项研究可能带来更鲁棒的AI模型，能够处理不平衡数据集，从而提高在数据分布通常呈长尾的现实场景中的性能。

排序理由该集群包含一篇详细介绍对抗性训练新方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Mengnan Zhao, Geyong Min, Lihe Zhang, Tianhang Zheng, Jie Cui · 2026-08-11 04:00

长尾对抗性训练的混淆几何再平衡

arXiv:2608.09688v1 Announce Type: cross Abstract: Adversarial training under long tailed distributions suffers from a dual imbalance: the class imbalance skews the training objective toward head classes, and the adversarial inner maximization may further amplify this bias. Existi…