对抗训练的一致稳定性和泛化上界
报告题目: 对抗训练的一致稳定性和泛化上界
报告专家：萧建聪（香港中文大学（深圳））
报告时间：2023年2月28日，下午2：00-4：00
报告地点：国家天元数学西南中心505
摘要：
本文从一致稳定性的角度来研究对抗训练的鲁棒过度拟合问题。一个主要挑战是对抗损失函数是非光滑的，因此无法将现有结果应用到对抗设定。我们定义了近似平滑度并给出了其性质。基于此，我们给出了此类函数的一致稳定性泛化上界，它可以应用到对抗训练。我们的结果表明对抗训练可能具有不消失的泛化误差。当训练轮数T 很大时，模型的鲁棒测试准确率会随T下降，速度在 T和根号T之间。文章发表在NeurIPS2022(Spotlight展示)。
报告人简介：萧建聪是香港中文大学（深圳）博士生，主要研究方向为机器学习理论和神经网络的对抗鲁棒性，导师是罗智泉教授。即将前往美国宾夕法尼亚大学从事博士后研究工作。此前于香港中文大学和中山大学分别获得硕士和学士学位。
邀请人：王治国
