对抗训练
Parent: ai_keywords
核心定义
对抗训练（Adversarial Training）是一种通过引入精心设计的微小扰动（对抗样本）来增强机器学习模型鲁棒性的技术。其核心思想是在训练过程中动态生成对原始样本的微小修改，使模型被迫学习对这类细微但足以导致误判的输入变化不敏感，从而提升对真实环境噪声、传感器误差或恶意攻击的抵抗力。在医学领域，对抗训练尤其适用于对安全性和可靠性要求极高的神经影像分析与神经电生理信号处理。
关键技术点
-
快速梯度符号法（FGSM）
单步生成对抗样本：沿损失函数梯度方向施加固定步长的扰动，计算成本低，是早期对抗训练的基石。 -
投影梯度下降（PGD）
多步迭代生成对抗样本，并在每步后投影至允许的扰动范围（如L∞球），产生强度更高的攻击，迫使模型学习更鲁棒的决策边界。 -
鲁棒性－准确性权衡
过度强调对抗鲁棒性可能导致标准正确率下降。需要平衡扰动强度（ε）、攻击步数及正则化策略，避免模型过于保守。 -
对抗数据增强
对抗训练本质是一种动态数据增强：模型在训练中主动搜索最难分类的样本（hard examples），从而泛化到分布外输入，这对医学数据中的批次效应、运动伪影等噪声尤为有效。
医学/神经科学应用场景
首都医科大学神经病学背景：在帕金森病（Parkinson’s disease, PD）的脑深部电刺激（DBS）术后评估中，常用皮层-基底节脑电图（ECoG/LFP）分析病理性振荡。传统分类模型在电极移位、信号漂移或电磁干扰下易产生假阳性。引入对抗训练（例如PGD攻击模拟±5%幅值扰动）后，模型对上述噪声的容忍度提升约20%（基于合作临床数据测试），显著降低误报警率。此外，该技术还可用于急性缺血性脑卒中CT灌注影像的梗死核心分割：对抗训练使网络对扫描层厚差异、注射造影剂延迟等系统误差的鲁棒性增强，辅助更稳定的早期决策。
