【光熙博士生学术论坛讲座】

讲座人：张新宇 博士生

题目：面向对抗训练的动态数据选择与增强方法研究

时间：2026年9月11日

地点：L1811

讲座内容：

目前，对抗训练是提升深度学习模型鲁棒性的最有效手段之一，但它往往依赖海量的计算和迭代更新，忽视了数据自身的内在属性，导致训练效率低下、容易过拟合，且各类别的精度也不平衡。针对这些问题，本课题从数据这一核心视角出发，提出了一套面向高效对抗训练的数据优化方法。该方法将基于样本后验概率的自适应增强、基于损失差异的动态数据选择以及基于攻防平衡的防过拟合机制有机融合，构建了涵盖样本生成、样本筛选和训练平衡三个环节的完整技术链条。其中，自适应增强负责生成更有效的对抗样本，动态数据选择负责从样本中筛选出最有价值的部分，防过拟合机制则保证训练过程的均衡与稳定。实验结果表明，我们的方法在保证甚至提升模型鲁棒性的前提下，显著降低了训练成本，缓解了过拟合和类精度不平衡的问题，为构建高效、均衡的鲁棒深度学习模型提供了一种新的解决思路。