面向鲁棒图像分类的参数插值对抗训练
Parameter Interpolation Adversarial Training for Robust Image Classification
AI 导读
参数插值对抗训练（PIAT）在每个 epoch 之间插值上一轮与当前轮的模型参数，使决策边界变化更平缓，缓解对抗训练中的鲁棒性振荡与过拟合问题。该方法还用归一化均方误差（NMSE）对齐干净样本与对抗样本 logits 的相对幅度，而非绝对幅度。多个基准数据集实验表明，PIAT 可显著提升 CNN 与 ViT 的图像分类鲁棒性。