CR Attack

新研究通过动态指导和公平基准来解决快速对抗性训练问题

研究人员开发了一种名为分布感知动态指导（DDG）的新策略，以提高使用快速对抗性训练（FAT）训练的AI模型的鲁棒性。DDG通过根据样本置信度动态调整扰动幅度和监督信号，来解决灾难性过拟合和在干净输入上性能下降等问题。该方法旨在引导模型形成更一致的决策边界，并防止过度强调错误的训练信号。此外，还引入了一个全面的基准框架，以确保各种快速对抗性训练方法的公平和可复现的评估。