健壮性的赛后特征对齐的局限性 这是Collin Burns和Jacob Steinhardt的CVPR 2021论文。 抽象的 特征对齐是一种提高分布偏移鲁棒性的方法,该方法可以匹配训练分布和测试分布之间的特征激活分布。 一种特别简单但有效的特征对齐方法涉及在训练的神经网络中的两个分布之间对齐批处理规范化统计数据。 由于该技术在鲁棒性基准方面的出色表现,最近引起了新的兴趣。 但是,这种方法何时以及为什么有效尚不为人所知。 我们将更详细地研究该方法,并确定一些局限性。 我们表明,它仅对有限的一组分布偏移有很大帮助,并且我们确定了几种甚至会降低性能的设置。 我们还将首先指出为什么这种方法如此有效,以解释为什么会出现这些限制。 我们的发现使人们质疑这种方法和无监督域适应对提高实践中的鲁棒性的效用。 依存关系 该代码具有以下要求: Python 3+ 火炬 火炬视觉 它还需要几个数据集:使用的