CGARD

新的CGARD方法通过协作蒸馏增强AI模型鲁棒性

研究人员推出了一种名为协同引导对抗鲁棒蒸馏（CGARD）的新方法，通过从更大、更强大的教师模型转移知识来提高紧凑型AI模型的鲁棒性。CGARD独特地将教师有利的示例纳入扰动邻域，同时优化学生-对抗和教师-协作示例。该方法旨在增强鲁棒知识转移，在CIFAR-10和CIFAR-100数据集上的实验表明，与现有的对抗蒸馏基线相比，鲁棒性得到了一致的提高。