Non-IID场景下多模型动态集成联邦对抗训练架构OA

联邦对抗训练在非独立同分布(Non-IID)场景下存在对抗训练样本单一和泛化能力不足的问题,容易导致训练模型鲁棒性下降。为了解决该问题,提出了一种多模型动态集成的联邦对抗训练架构(DEM-FAT)。首先,设计一种多模型动态集成对抗生成机制,在异构模型间生成跨模型的对抗样本,提升了对抗样本的多样性与分布广度。其次,构建动态更新的模型库和模型库更新机制,模型库更新机制根据子模型的性能动态替换模型库中的弱模型,从而持续优化模型库和梯度生成路径,进一步增强对抗样本间的互补性和特征多样性,有效提升了模型对复杂对抗场景的泛化能力。实验结果表明,DEM-FAT在DomainNet、Office-Caltech-10和Digits数据集上将模型准确率提高了1.97%~9.63%;在DomainNet和Office-Caltech-10数据集上,将鲁棒性提高了2.18%~6.78%,将准确率提高了2.45%~5.44%;在Digits数据集上,DEM-FAT在鲁棒性与准确率方面与基线方法表现相当。