Enhancing robustness of data-driven SHM models: adversarial training with circle loss

结构健康监测（SHM）对于保障航空、土木和机械基础设施的安全和可靠性至关重要。由于传感器和计算能力的进步，基于机器学习的数据驱动方法在SHM中越来越受欢迎。然而，用于SHM的机器学习模型容易受到对抗性示例的影响，即输入的微小变化可能会导致不同的模型输出。本文旨在通过讨论SHM中的对抗性防御来解决这个问题。在本文中，我们提出了一种对抗训练方法来进行防御，该方法使用圆形损失来优化训练中特征之间的距离，以使示例远离决策边界。通过这种简单而有效的约束，我们的方法在模型鲁棒性方面表现出了显著的改进，超过了现有的防御机制。

如何在机器学习模型应用于结构健康监测时，防止对抗性样本的攻击？

使用圆形损失函数进行对抗训练，优化特征之间的距离，使样本远离决策边界，提高模型的鲁棒性。

论文使用了对抗训练的方法来提高模型的鲁棒性，实验结果表明该方法比现有的防御机制更有效。论文使用了结构健康监测数据集，并开源了代码。值得深入研究的是如何进一步提高对抗训练的效果。

相关研究包括：Adversarial Attacks and Defenses in Images, Graphs and Text: A Review