对抗训练应用于卷积神经网络以预测测光红移
天体物理仪器与方法
2020-02-25 v1 图像与视频处理
摘要
近年来，得益于机器学习（ML）生态系统的快速发展，利用卷积神经网络（CNN）通过分析不同波长波段的图像来估计星系测光红移概率分布的方法已得到发展。作者们搭建了CNN架构，并使用标准的训练与测试方法研究其性能及若干系统性误差来源，以确保模型的泛化能力。至此一切顺利，但缺失了一块：模型的泛化能力是否得到了良好度量？本文清晰地表明，极小的图像扰动即可完全愚弄模型，并打开了对抗攻击的潘多拉魔盒。在不同的技术与场景中，我们选用快速符号梯度一步法及其投影梯度下降迭代扩展作为对抗样本生成工具包。然而，尽管看似不太可能，这些不仅愚弄单一模型、而且揭示出模型与经典训练两者弱点的对抗样本确实存在。本文给出一种改进算法，并在训练阶段注入一部分对抗样本加以应用。数值实验使用了一个特定的CNN模型进行说明，尽管我们的研究可应用于其他模型（不仅限于CNN）及其他语境（不仅限于红移测量），因为它涉及决策边界曲面的复杂性。
引用
@article{arxiv.2002.10154,
title = {Adversarial training applied to Convolutional Neural Network for photometric redshift predictions},
author = {Jean-Eric Campagne},
journal= {arXiv preprint arXiv:2002.10154},
year = {2020}
}
备注
12 pages, 6 figures