對抗訓練

深度分析

「GRAPE」導向參數空間演化的緊湊對抗式魯棒性訓練方法解析

研究以CIFAR‑10為測試平台，提出GRAPE透過參數空間逐步擴張與穩定化，提高對抗訓練的魯棒性，同時減少約21%參數量，顯示演化路徑對模型效能具關鍵影響。GRAPE結合參數空間穩定化與分數導向的隱層擴張，於相同FLOPs下比固定結構ResNet‑18提升約10%魯棒準確率，並證明暴露順序重要。