国际人工智能顶级会议NeurIPS2023（Conference and Workshop on Neural Information Processing Systems，神经信息处理系统大会）官方发布了接受论文列表。计算机科学与技术(人工智能)公司研三员工黄政林（指导教师：张娜副教授）作为第一作者，张娜老师作为通讯作者撰写的论文“IPMix: Label-Preserving Data Augmentation Method for Training Robust Classifiers”（IPMix:训练鲁棒分类器的标签保持数据增强方法）被正式接收，论文合作单位为开云官方网站，日本山口大学和中国科学技术大学。NeurIPS2023共接收投稿论文12343篇，中稿率为26.1%。这是计算机科学与技术(人工智能)公司在读员工第一次在NeurIPS发表论文，实现了零的突破。

      数据增强是在训练神经网络时提升模型泛化能力的一种常用技术。它通过对训练数据进行各种随机的变换（例如旋转、缩放、翻转或裁剪等），生成更多的训练样本，从而使得模型在训练时可以看到更多样化的数据。这不仅可以有效地扩大训练数据集的规模，还能帮助模型学习到数据的不同特征和属性，使其在面对未见过的数据时也能做出准确的预测，提高模型的准确性和鲁棒性。

      在以往的数据增强的方法中，存在准确性和鲁棒性之间trade-off(平衡)的问题，即数据增强不能同时提高模型的鲁棒性和准确性。针对这现象，一个简单有效的IPMix方法被设计出来，用来全面提高模型的安全性能。

      IPMix有效地整合了三种数据增强技术，保持标签一致性并避免了潜在的流形侵入。该方法消除了寻找最优数据增强策略的需求，降低了计算成本。相较于其他方法，IPMix在准确性和鲁棒性上取得了突出的成效。它通过不同层次的数据增强技术生成更多样的图像，并通过与干净图像的混合增加了合成数据的结构复杂性，从而全面提高了模型的安全性能。此外，IPMix提升了多个安全指标，如腐败鲁棒性和异常检测等，在多个数据集和不同网络上实现了最佳结果，实验结果证明了其在实际应用中构建安全、可靠系统的有效性。

      Zhenglin Huang, Xiaoan Bao, Na Zhang, Qingqi Zhang, Xiaomei Tu, Biao Wu, Xi Yang. IPMix:Label-Preserving Data Augmentation Method for Training Robust Classifiers, Thirty-seventh Conference on Neural Information Processing Systems (NeurlPS)，2023.

第一作者：黄政林

指导老师：张娜