Papers-of-Robust-ML:强大的机器学习的相关论文

鲁棒论文 强大的机器学习的相关论文（我们主要关注防御）。 陈述 由于每个会议上都有数十篇有关对抗性防御的新论文，因此我们只能更新我们刚刚阅读并认为具有洞察力的论文。 欢迎任何人针对对抗性辩护的相关和未列出的论文提出撤稿要求，这些论文在同行评审会议（ICML / NeurIPS / ICLR / CVPR等）上被取消或在arXiv上发布。 内容 一般国防（训练阶段） 本文证明，利用在相同数据集（例如CIFAR-10）上训练的（高质量）生成模型采样的更多数据，仍可以提高对抗训练模型的鲁棒性，而无需使用任何额外数据。 （NeurIPS 2020） 对灾难性过度拟合进行对抗性训练的系统研究，其原因以及解决方法。 拟议的正则器GradAlign有助于防止灾难性的过度拟合，并将FGSM训练规模扩大到高Linf扰动。 置信度高的对抗训练：泛化至看不见的攻击（ICML 2020） 本文使用依赖于扰