2022年5月15日，实验室共有1篇论文被ICML 2022接收，论文的第一作者是硕士生侯文政。在此热烈祝贺他们及其合作者！ ICML的全称是 International Conference on Machine Learning，是机器学习领域的国际顶级会议，2022年中稿率为22%，此次会议将于2022年7月在美国马里兰州·巴尔的摩召开。论文的信息概要介绍如下：
AdAUC: End-to-end Adversarial AUC Optimization Against Long-tail Problems (Wenzheng Hou, Qianqian Xu, Zhiyong Yang, Shilong Bao, Yuan He, Qingming Huang)
深度学习模型容易受到对抗样本的影响。针对这一挑战，对抗训练方法取得了很大进展。通常而言，对抗训练方法认为类别分布是均衡的。然而，长尾数据集在广泛的现实应用中无处不在，其中头类实例数量明显大于尾类。在这种情况下，相比准确率ACC，因为AUC对类分布不敏感，所以AUC是一个更合理的指标。鉴于此，本文探索了以对抗训练的方法来优化AUC。主要的挑战在于，正负样本在AUC优化的目标函数中是紧密耦合的。这导致如果不对数据集进行全面扫描，就无法生成对抗样本。为了解决这一问题，基于凹正则化方法，本文将AUC优化问题转化为鞍点问题，其中目标函数变为instance-wise的函数，从而可以进行端到端的训练。此外，本文还为该训练算法提供了收敛性保证。最后，在三个长尾数据集上的实验结果表明了该算法的性能和对抗鲁棒性。
图 1 模型受到攻击时ACC和AUC变化图。上图代表攻击发生前后的得分排序；下图表示模型受到攻击时嵌入空间中的分数变化。
附件：