研究人员在神经网络的快速对抗训练(FAT)中识别出一种称为灾难性过拟合(CO)的现象。当模型在训练中使用的单步攻击表现良好时,对多步攻击的鲁棒性会迅速下降,这就是CO的发生。研究表明,这是由于一种标准的训练损失无法察觉的微妙“权重漂移”。然而,权重的指数移动平均(EMA)保持了鲁棒性。该论文提出了一种简单的修复方法:当验证鲁棒性下降时,将权重重置为其EMA,这可以有效消除CO,并在CIFAR-100等基准测试中以降低的训练成本实现最先进的准确性。 AI
影响 识别出一种关键的训练故障模式,并提供了一种简单有效的缓解策略,提高了鲁棒性和效率。
排序理由 该集群包含一篇详细介绍人工智能训练中新现象和提出解决方案的研究论文。
- arXiv
- AutoAttack
- catastrophic overfitting
- CIFAR-100
- DagsHub
- Fast Adversarial Training
- Hugging Face
- AutoAttack accuracy
- coupling-based base method
- exponential moving average
- multi-step attacks
- single-step attack
- training loss
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →