问对抗性攻击的鲁棒性与OOD泛化有什么关系？

EN

好吧，首先，Facebook在题为“图像分类中的卡普图-鲁棒性”的教程中讨论了他们的包中的健壮性问题。在Facebook中，教程的健壮性是在“抵抗对抗性攻击”的背景下处理的，在这种情况下，模型的性能必须保持一致，就像可靠性工程科学中的压力测试一样。

此外，谷歌在Colab笔记本上解决了新的先进的图像分类器Vit-Pixel的鲁棒性问题。与Facebook一样，谷歌也将鲁棒性描述为以高斯噪声形式应用的“抵御对抗攻击的能力”。事实上，Facebook甚至在他们的教程1中使用“高斯模糊”作为一种对抗性攻击类型。此外，正如你在图片中所看到的那样，谷歌声称，一种具有抗灾能力的模型，对连载攻击也是稳健的，对协变量转移的数据也是如此。然而，谷歌在他们的博客文章中介绍了Vit-Pixel定义的协变量转移数据在“分布外”的泛化范畴下。

总之，对抗攻击的弹性模型对协变量移动数据具有弹性，因此应该具有较高的“分布外”泛化性能。“分布外”泛化也被定义为Facebook在同一类(但来自不同数据源)上的“领域泛化”，并通过模型的(此上下文中的图像分类器)预测性能来衡量。该模型具有较高的OOD泛化性能，在实际生产中具有一定的可信度。

1 https://captum.ai/tutorials/CIFAR_卡普姆_鲁棒性

2

3.

4.