ترجمه فارسی مقاله بازبینی استحکام خصمانه نیمه نظارت شده از طریق تقطیر قوی آنلاین با آگاهی از سر و صدا

چکیده

The robust self-training (RST) framework has emerged as a prominent approach for semi-supervised adversarial training. To explore the possibility of tackling more complicated tasks with even lower labeling budgets, unlike prior approaches that rely on robust pretrained models, we present SNORD – a simple yet effective framework that introduces contemporary semi-supervised learning techniques into the realm of adversarial training. By enhancing pseudo labels and managing noisy training data more effectively, SNORD showcases impressive, state-of-the-art performance across diverse datasets and labeling budgets, all without the need for pretrained models. Compared to full adversarial supervision, SNORD achieves a 90% relative robust accuracy under epsilon = 8/255 AutoAttack, requiring less than 0.1%, 2%, and 10% labels for CIFAR-10, CIFAR-100, and TinyImageNet-200, respectively. Additional experiments confirm the efficacy of each component and demonstrate the adaptability of integrating SNORD with existing adversarial pretraining strategies to further bolster robustness.

چکیده به فارسی (ترجمه ماشینی)

چارچوب قوی خودآموزی (RST) به عنوان یک رویکرد برجسته برای آموزش های مخالف نیمه تحت نظارت ظاهر شده است.برای کشف امکان مقابله با کارهای پیچیده تر با بودجه حتی برچسب زدن ، بر خلاف رویکردهای قبلی که به مدلهای پیش ساخته قوی متکی هستند ، ما Snord را ارائه می دهیم – یک چارچوب ساده و در عین حال مؤثر که تکنیک های یادگیری نیمه تحت نظارت معاصر را در قلمرو آموزش های مخالف معرفی می کند.Snord با تقویت برچسب های شبه و مدیریت داده های آموزش پر سر و صدا به طور مؤثر ، عملکرد چشمگیر و پیشرفته را در مجموعه داده های متنوع و بودجه های برچسب زدن نشان می دهد ، همه بدون نیاز به مدل های پیش ساخته.در مقایسه با نظارت کامل مخالف ، SNORD به ترتیب با حمله به Epsilon = 8/255 ، به ترتیب کمتر از 0.1 ٪ ، 2 ٪ و 10 ٪ برچسب های CIFAR-10 ، CIFAR-100 و TinyImagenet-200 به ترتیب 90 ٪ به دقت 90 ٪ دست پیدا می کند.بشرآزمایشات اضافی اثربخشی هر مؤلفه را تأیید می کند و سازگاری یکپارچه سازی SNORD را با استراتژی های پیشگویی مخالف موجود برای تقویت بیشتر استحکام نشان می دهد.