Contrastive ECOC: Lernende Output‑Codes für robusten Angriffsschutz

In der klassischen Mehrklassenklassifikation wird häufig One‑Hot‑Encoding verwendet, doch diese Methode ist nicht immer optimal. Error‑Correcting Output Codes (ECOC) lösen das Problem, indem jeder Klasse ein einzigartiger Codewort zugeordnet wird. Traditionelle ECOC‑Ansätze bauen die Codebücher jedoch manuell oder zufällig – ein arbeitsintensiver Prozess, der oft datensatzagnostisch bleibt.

Der neue Beitrag präsentiert drei Modelle, die Codebücher automatisch mittels kontrastivem Lernen aus den Daten extrahieren. Durch diese adaptive Lernstrategie entstehen Codebücher, die exakt auf die jeweilige Aufgabenstellung zugeschnitten sind, ohne auf aufwändige manuelle Gestaltung angewiesen zu sein.

In Tests auf vier unterschiedlichen Datensätzen zeigen die vorgeschlagenen Modelle eine deutlich höhere Widerstandsfähigkeit gegen adversariale Angriffe als zwei etablierte Baselines. Der komplette Quellcode ist unter GitHub verfügbar.