用 Mixup 与定向标注对抗训练解决神经网络鲁棒性问题
机器学习
2020-08-20 v1 计算机视觉与模式识别
机器学习
摘要
尽管人工神经网络性能优异，但对于大多数工业应用而言其可靠性仍不足。它们对噪声、旋转、模糊和对抗样本十分敏感。有必要构建能够抵御广泛扰动（涵盖最传统的常见 corruptions 与对抗样本）的防御方法。我们提出一种称为 M-TLAT 的新数据增强策略，旨在从广义上解决鲁棒性问题。我们的方法结合了 Mixup 增强与一种称为定向标注对抗训练（Targeted Labeling Adversarial Training, TLAT）的新对抗训练算法。TLAT 的思想是将对抗样本的目标标签与真实标签进行插值。我们表明，M-TLAT 能够提升图像分类器对十九种常见 corruptions 与五种对抗攻击的鲁棒性，且不降低在干净样本上的准确率。
引用
@article{arxiv.2008.08384,
title = {Addressing Neural Network Robustness with Mixup and Targeted Labeling Adversarial Training},
author = {Alfred Laugros and Alice Caplier and Matthieu Ospici},
journal= {arXiv preprint arXiv:2008.08384},
year = {2020}
}