2025 ICLR spotlight

• 本研究聚焦于表征学习中一个引人注目且基础性的开放挑战：在不改变已有深度学习模型参数的前提下，是否可以重新编程模型以增强其对抗扰动或噪声输入的鲁棒性？
  • 为探索这一问题，论文重新审视了表征学习中的核心特征变换机制，并提出了一种新颖的非线性鲁棒模式匹配技术，作为提升鲁棒性的替代方案。
  • 此外，还引入了三种模型重编程范式，以适应不同计算效率需求下对鲁棒性的灵活控制。
  • 论文在多个学习模型上进行了广泛的实验和消融分析，涵盖从基础线性模型、多层感知机（MLP）到浅层及现代深度卷积神经网络（ConvNets），结果充分验证了所提出方法的有效性。