随着机器学习的大规模应用,这类误差对于系统安全显得尤为重要,CAAD 竞赛正是希望能探讨如何加强系统对于这类对抗样本的鲁棒性通过将动量项集成到攻击迭代过程,模型可以获得更稳定的更新方向,避免在迭代过程中出现劣质的局部最大值,并且同时产生更多的可迁移对抗样本对抗防守 清华大学 TSAIL 团队同样还重点关注于构建更鲁棒的对抗样本防御模型,在这次竞赛中,TSAILMax-Mahalanobis Linear Discriminant Analysis Networks 中,清华大学清华大学人工智能研究院 TSAIL 团队 除了这两份关于鲁棒性机器学习系统的研究,实验室在对抗攻击与防守等