自适应扩散去噪平滑化：基于带差分隐私引导扩散模型的随机平滑认证鲁棒性
计算机视觉与模式识别
2025-07-14 v1 密码学与安全
机器学习
摘要
我们提出自适应扩散去噪平滑化（Adaptive Diffusion Denoised Smoothing）方法,用于为视觉模型的预测提供对抗样本的认证鲁棒性,同时适应输入。我们的关键洞察是将引导去噪扩散模型重新解释为一系列自适应高斯差分隐私（GDP）机制,这些机制将纯噪声样本细化为图像。我们表明,这些自适应机制可以通过GDP隐私滤波器进行组合,以分析引导去噪过程的端到端鲁棒性,从而产生可证明的认证,扩展了自适应随机平滑分析。我们展示,在特定引导策略下,我们的设计在ImageNet上提高了威胁模型下的认证准确率和标准准确率。
引用
@article{arxiv.2507.08163,
title = {Adaptive Diffusion Denoised Smoothing : Certified Robustness via Randomized Smoothing with Differentially Private Guided Denoising Diffusion},
author = {Frederick Shpilevskiy and Saiyue Lyu and Krishnamurthy Dj Dvijotham and Mathias Lécuyer and Pierre-André Noël},
journal= {arXiv preprint arXiv:2507.08163},
year = {2025}
}