Sidney Bender

新的DiDAE框架能够为基础模型实现更快、可扩展的对立样本生成

研究人员推出了一种名为Visual Disentangled Diffusion Autoencoders (DiDAE)的新框架，旨在为基础模型生成对立样本数据。该方法集成了解耦字典学习与扩散自编码器，能够高效地创建多样化、可解释的对立样本，而无需基于梯度的优化。当与对立样本知识蒸馏相结合时，DiDAE-CFKD方法在减少捷径学习和提高不平衡数据集性能方面取得了最先进的成果。