通过注入增强信号推进对抗训练
计算机视觉与模式识别
2023-06-28 v1 人工智能
摘要
近期工作表明深度神经网络（DNNs）对对抗攻击高度脆弱。为防御对抗攻击，已提出许多防御策略，其中对抗训练被证明是最有效的策略。然而，已知对抗训练有时会损害自然准确率。于是，许多工作聚焦于优化模型参数以处理该问题。与先前方法不同，本文中我们提出一种通过利用外部信号而非模型参数来提升对抗鲁棒性的新方法。在所提方法中，一个经过良好优化的称为增强信号的通用外部信号被注入到图像外部不与原始内容重叠的区域。随后，它同时提升了对抗鲁棒性与自然准确率。增强信号与模型参数逐步并行、协作优化。实验结果表明，增强信号在近期最先进的对抗训练方法之上同时提升了自然准确率与鲁棒准确率。此外，优化增强信号具有通用性与灵活性，足以被采用到任何现有对抗训练方法中。
引用
@article{arxiv.2306.15451,
title = {Advancing Adversarial Training by Injecting Booster Signal},
author = {Hong Joo Lee and Youngjoon Yu and Yong Man Ro},
journal= {arXiv preprint arXiv:2306.15451},
year = {2023}
}
备注
Accepted at IEEE Transactions on Neural Networks and Learning Systems