简单描述模型的鲁棒性和泛化性的区别

鲁棒性

鲁棒性：对于输入扰动或对抗样本的性能。

1. 加入小扰动，或进行数据增强。对于我们正常使用的模型，或者小数据集，需要进行数据增强，增强模型的鲁棒性，并且可以提升模型泛化能力，即在测试集上的性能。
2. 加入对抗样本训练。针对模型的安全，而找到对抗样本进行专门训练，提升模型在对抗样本的鲁棒性；但是会降低模型的泛化能力，在真实的测试集上性能下降。

鲁棒性强调网络结构本身的特征，是网络结构和参数在扰动下保持其对信号处理特征的能力，用司机来举例，鲁棒性是司机只用一只手或者旁边有人骚扰情况下开车的能力。

泛化性

泛化性：训练集训练的模型在测试集上的性能；不同数据集之间、不同任务之间模型的泛化能力。

1. 加入小扰动：一般模型都是欠鲁棒性，数据增强可以提高鲁棒和泛化性；也就是欠鲁棒，泛化能力会低，提升鲁棒性可以提升泛化。
2. 加入对抗样本训练：使得模型过于鲁棒，对攻击样本效果好，提升模型安全。但是在测试集上性能会下降，泛化能力差。也就是模型过于鲁棒的话，泛化性能也差。

泛化性强调的是网络对数据的处理性能，是强调从部分抽样的数据能能否提取数据分布的结构特征，同样用司机来举例，泛化性是司机开车行驶在不同道路的能力。