软件学报

作者：翟浩杰，王冉，邬文慧，贾育衡

单位：翟浩杰，深圳大学 数学科学学院, 广东 深圳 51806011,王冉，深圳大学 人工智能学院, 广东 深圳 518060;广东省智能信息处理重点实验室(深圳大学), 广东 深圳 51806002,邬文慧，深圳大学 电子与信息工程学院, 广东 深圳 518060;广东省智能信息处理重点实验室(深圳大学), 广东 深圳 51806003,贾育衡，东南大学 计算机科学与工程学院, 江苏 南京 21118904

关键词：鲁棒性;自适应策略优化;权衡学习;对抗训练;演化优化

基金：国家自然科学基金(62176160, U24A20322, 62376162); 广东省基础与应用基础研究基金自然科学基金(2024B1515020109); 广东省智能信息处理重点实验室(2023B1212060076)

对抗训练被视为提升深度模型鲁棒性的核心防御手段, 但其固有缺陷严重制约了实际应用效果. 传统对抗训练方法依赖固定攻击模式生成对抗样本, 导致训练过程中样本多样性不足、模型泛化能力受限, 且在鲁棒性与干净准确率间难以达成有效平衡. 更为关键的是, 现有对抗训练框架缺乏对训练过程的自适应控制, 容易引发鲁棒过拟合现象. 针对上述挑战, 利用演化优化提出一个自适应对抗训练框架, 称为基于自适应策略优化的鲁棒泛化权衡学习, 简称TRG-ASO. 该方法将遗传算法引入对抗训练过程, 通过动态调整不同训练阶段的对抗攻击策略, 实现对抗样本生成模式的渐进式复杂化. 这种层级递进的对抗机制不仅增强了样本多样性, 还可通过策略优化记录实现训练早停, 有效抑制过拟合风险. 在CIFAR系列数据集上的实验表明, 相较于传统对抗训练方法, 所提框架在维持基础分类性能的同时, 提升了模型面对多种攻击范式的防御能力, 且加快了训练收敛速度. 为对抗训练中鲁棒性-泛化性的权衡提供了新思路, 对构建可信深度学习系统具有重要实践价值.

来源：2026年第4期

《软件学报》期刊编辑部

查看软件学报杂志2026年第4期