典型文献
一种半监督对抗鲁棒模型无关元学习方法
文献摘要：
元学习期望训练所得的元模型在学习到的"元知识"基础上利用来自新任务的少量标注样本,仅通过较少的梯度下降步骤微调模型就能够快速适应该任务.但是,由于缺乏训练样本,元学习算法在元训练期间对现有任务过度训练时所得的分类器决策边界不够准确,不合理的决策边界使得元模型更容易受到微小对抗扰动的影响,导致元模型在新任务上的鲁棒性能降低.提出一种半监督对抗鲁棒模型无关元学习(semi-ARMAML)方法,在目标函数中分别引入半监督的对抗鲁棒正则项和基于信息熵的任务无偏正则项,以此优化决策边界,其中对抗鲁棒正则项的计算允许未标注样本包含未见过类样本,从而使得元模型能更好地适应真实应用场景,降低对输入扰动的敏感性,提高对抗鲁棒性.实验结果表明,相比ADML、R-MAML-TRADES等当下主流的对抗元学习方法,semi-ARMAML方法在干净样本上准确率较高,在MiniImageNet数据集的5-way 1-shot与5-way 5-shot任务上对抗鲁棒性能分别约提升1.8％和2.7％,在CIFAR-FS数据集上分别约提升5.2％和8.1％.
文献关键词：
少样本学习;元学习;对抗训练;半监督学习;对抗鲁棒性
中图分类号：
作者姓名：
胡彬;王晓军;张雷
作者机构：
南京邮电大学 计算机学院,南京 210023;南京邮电大学 物联网学院,南京 210023
文献出处：
引用格式：
[1]胡彬;王晓军;张雷-.一种半监督对抗鲁棒模型无关元学习方法)[J].计算机工程,2022(12):112-118
A类：
ARMAML,ADML,TRADES
B类：
鲁棒模型,关元,元学习,自新,新任务,梯度下降,微调,快速适应,训练样本,训练期,过度训练,分类器,决策边界,对抗扰动,semi,正则项,信息熵,无偏,偏正,优化决策,对抗鲁棒性,干净,MiniImageNet,way,shot,CIFAR,FS,少样本学习,对抗训练,半监督学习
AB值：
0.311743
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
