近年来，深度学习在模式识别领域取得了突破性的进展，然而其巨大的成功严重依赖于高质量的数据，数据中噪声会严重损害其性能。例如，在训练阶段，大规模的训练数据中会不可避免地存在着标签噪声，深度学习模型由于其强大的拟合能力可以完美地记忆标签噪声，最终导致泛化性能明显变差；在推理阶段，对抗攻击可以通过在图像上添加人眼无法察觉的对抗扰动来制造对抗样本，令深度学习模型做出错误的决策。为此，针对训练阶段的标签噪声以及推理阶段的对抗样本，本文分别设计了鲁棒学习算法，提高了深度学习模型的容错能力。本文的主要贡献如下：

1. 本文提出了动态敏感损失来处理标签噪声。动态敏感损失是一种动态的鲁棒损失函数，考虑到深度学习模型倾向于先学习简单且普适的模式，然后逐渐过拟合标签噪声，动态敏感损失在训练初期令模型具有较强拟合能力，然后逐渐提高其鲁棒性。在训练后期，为了进一步减小标签噪声的负面影响，动态敏感损失令模型对简单样本的关注程度超过了对困难样本的关注程度并且引入了自举项。理论分析和实验结果都表明了动态敏感损失相较于现有的鲁棒损失函数的优越性。

2.
本文提出了边界样本认证来处理对抗样本。边界样本认证是一种基于用户输入流来检测决策攻击的方法，鉴于决策攻击的输入流在样本空间中集中在目标模型的决策边界附近，与正常访问存在明显差异，边界样本认证基于上述区别来检测攻击行为。实验结果表明，相较于现有的基于输入流的检测算法，边界样本认证大幅降低了内存负担和计算开销以及特定情况下的假阳率。