基于知情数据选择的对抗训练
机器学习
2023-01-12 v1
摘要
随着可用数据量的增加与计算能力的进步，深度神经网络（DNN）已成功用于解决医疗、气候和金融等多个领域的挑战性任务。然而，最先进的DNN易受原始图像准不可感知扰动版本——对抗样本的影响。这些网络输入的扰动在错误决策直接影响人类生命的关键领域可能导致灾难性后果。对抗训练是防御网络免受这些恶意攻击的最有效方案。但对抗训练网络通常伴随较低的干净准确率与较高的计算复杂度。本文提出一种应用于小批量训练的数据选择（DS）策略。基于交叉熵损失，在批量中选择最相关样本于反向传播中更新模型参数。仿真结果表明，在鲁棒性与标准准确率之间可取得良好折衷，同时降低了反向传播过程的计算复杂度。
引用
@article{arxiv.2301.04472,
title = {Adversarial training with informed data selection},
author = {Marcele O. K. Mendonça and Javier Maroto and Pascal Frossard and Paulo S. R. Diniz},
journal= {arXiv preprint arXiv:2301.04472},
year = {2023}
}