5.2.2 对抗鲁棒性对分布外泛化的影响

文档摘要

5.2.2 对抗鲁棒性对分布外泛化的影响 5.2.2 对抗鲁棒性对分布外泛化的影响：一个被忽视的正则化视角与实战调参策略在深度学习模型部署的真实世界中，我们常常面临一个令人沮丧的悖论：模型在训练集和测试集上表现优异，却在面对“看起来差不多但又有点不一样”的新数据时迅速崩溃。这种“分布外”（Out-of-Distribution, OOD）泛化能力的缺失，已成为工业界落地AI系统的核心瓶颈之一。而近年来，一个看似矛盾的现象引起了广泛关注：提升模型对抗鲁棒性（Adversarial Robustness）的训练方法，竟在某些场景下显著改善了其对OOD数据的泛化能力。这究竟是巧合，还是隐藏着某种深层机制？