通过数据相关激活函数与全变分最小化的对抗防御
机器学习
2020-04-30 v3 数值分析
数值分析
机器学习
摘要
我们通过使用插值函数作为输出激活，提升了深度神经网络（DNN）对对抗攻击的鲁棒性。这种数据相关的激活显著改善了 DNN 的泛化能力与鲁棒性。在 CIFAR10 基准上，基于最先进的迭代快速梯度符号法（IFGSM）对抗攻击，我们将对抗训练的 ResNet20 的鲁棒准确率从 提升至 。当我们将该数据相关激活与对抗图像上的全变分最小化及训练数据增强相结合时，在最强 IFGSM 攻击下，ResNet56 的鲁棒准确率提升了 38.9。此外，我们通过分析特征空间的几何结构，为我们的防御提供了直观解释。
引用
@article{arxiv.1809.08516,
title = {Adversarial Defense via Data Dependent Activation Function and Total Variation Minimization},
author = {Bao Wang and Alex T. Lin and Wei Zhu and Penghang Yin and Andrea L. Bertozzi and Stanley J. Osher},
journal= {arXiv preprint arXiv:1809.08516},
year = {2020}
}
备注
17 pages, 6 figures