研究人员在Wasserstein分布鲁棒优化（WDRO）中发现了代理损失函数与零一损失之间的失配。这种失配可能导致具有完美鲁棒准确率的假设比具有接近零鲁棒准确率的假设具有更高的WDRO风险，尤其是在使用交叉熵等常用损失函数时。为解决此问题，本文提出了Wasserstein分布攻击（WDA），一种在Wasserstein约束下优化经验质量分配以直接评估鲁棒准确率的新方法。在CIFAR-10、CIFAR-100和ImageNet上的实验表明，WDA相比现有方法在对抗准确率方面表现更优。 AI
影响 引入了一种评估和提高模型对抗攻击鲁棒性的新方法。
排序理由 学术论文，详细介绍了AI鲁棒性方面的新理论发现和实验方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Bach Le Tran
- CIFAR-10
- CIFAR-100
- cross entropy
- ImageNet
- Wasserstein distributional attacks
- Wasserstein distributionally robust optimization
- Wasserstein Robust Classification Error
- WDA
- WDRO
- zero-one loss
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
