通过联合学习标签依赖与成员模型进行的对抗集成训练
机器学习
2023-05-24 v3 密码学与安全
摘要
训练一组多样化的子模型已被经验证明是提高深度神经网络对抗鲁棒性的有效策略。然而，当前用于图像识别的集成训练方法通常使用独热向量编码图像标签，忽略了标签之间的依赖关系。本文中，我们提出一种新颖的对抗集成训练方法，联合学习标签依赖与成员模型。我们的方法自适应地利用学习到的标签依赖来促进成员模型间的多样性。我们在广泛使用的数据集（包括 MNIST、FashionMNIST 和 CIFAR-10）上评估了我们的方法，并表明相较于最先进的方法，它在抵御黑盒攻击方面实现了更优的鲁棒性。我们的代码可在 https://github.com/ZJLAB-AMMI/LSD 获取。
引用
@article{arxiv.2206.14477,
title = {Adversarial Ensemble Training by Jointly Learning Label Dependencies and Member Models},
author = {Lele Wang and Bin Liu},
journal= {arXiv preprint arXiv:2206.14477},
year = {2023}
}
备注
This paper has been accepted by 19th Inter. Conf. on Intelligent Computing (ICIC 2023)