通过生成器混合实现对抗防御
机器学习
2022-08-16 v1 密码学与安全
摘要
尽管神经网络取得了巨大成功，对抗样本仍是深度学习系统中理解相对薄弱的一个特征。无论是构建更强大的对抗攻击，还是设计抵消对抗样本影响的方法，都已有大量努力。我们提出一种方法，通过生成器混合对对抗输入数据进行变换，以恢复被对抗攻击混淆的正确类别。一组规范图像用于通过潜在多种攻击生成对抗样本。此类变换后的图像由一组生成器处理，这些生成器作为一个整体以对抗方式训练，在反转初始变换上相互竞争。据我们所知，这是首次将基于混合的对抗训练系统用作防御机制。我们展示了无需监督即可在多种对抗攻击上同时训练此类系统。我们的系统能够在 MNIST 数据集上恢复先前未见过的样本的类信息，且无需攻击标签或数据标签。结果表明，这种多攻击方法与单攻击设定下测试的对抗防御具有竞争力。
引用
@article{arxiv.2110.02364,
title = {Adversarial defenses via a mixture of generators},
author = {Maciej Żelaszczyk and Jacek Mańdziuk},
journal= {arXiv preprint arXiv:2110.02364},
year = {2022}
}