A2：用于提升对抗训练效率的自动化攻击器
计算机视觉与模式识别
2022-10-18 v2
摘要
基于对抗训练（AT）对模型鲁棒性的显著提升，已有多种变体被提出以进一步增强性能。公认的方法聚焦于 AT 的不同组成部分（例如设计损失函数与利用额外无标签数据）。普遍认为更强的扰动可得到更鲁棒的模型。然而，如何高效地生成更强扰动仍属空白。本文提出一种称为 A2 的高效自动化攻击器，通过在训练过程中动态生成最优扰动来提升 AT。A2 是一个参数化自动化攻击器，用于在攻击器空间中搜索针对防御模型与样本的最佳攻击器。跨不同数据集的广泛实验表明，A2 以较低的额外代价生成更强扰动，并可靠地提升多种 AT 方法针对不同攻击的鲁棒性。
引用
@article{arxiv.2210.03543,
title = {A2: Efficient Automated Attacker for Boosting Adversarial Training},
author = {Zhuoer Xu and Guanghui Zhu and Changhua Meng and Shiwen Cui and Zhenzhe Ying and Weiqiang Wang and Ming GU and Yihua Huang},
journal= {arXiv preprint arXiv:2210.03543},
year = {2022}
}
备注
Accepted by NeurIPS2022