对抗顶点混合：迈向更好的对抗鲁棒泛化
计算机视觉与模式识别
2020-07-28 v3
摘要
对抗样本导致神经网络以高置信度产生错误输出。尽管对抗训练是针对对抗样本最有效的防御形式之一，但不幸的是，对抗训练中测试精度与训练精度之间存在巨大差距。本文中，我们识别出对抗特征过拟合（AFO），它可能导致较差的对抗鲁棒泛化，并展示在我们的简单高斯模型中，对抗训练可能在鲁棒泛化意义上越过最优点，从而导致AFO。考虑到这些理论结果，我们提出软标签作为AFO问题的解决方案。此外，我们提出对抗顶点混合（AVmixup），一种用于改善对抗鲁棒泛化的软标签数据增强方法。我们在CIFAR10、CIFAR100、SVHN和Tiny ImageNet上以实验补充了我们的理论分析，并表明AVmixup显著提升了鲁棒泛化性能，且减小了标准精度与对抗鲁棒性之间的权衡。
引用
@article{arxiv.2003.02484,
title = {Adversarial Vertex Mixup: Toward Better Adversarially Robust Generalization},
author = {Saehyung Lee and Hyungyu Lee and Sungroh Yoon},
journal= {arXiv preprint arXiv:2003.02484},
year = {2020}
}
备注
To appear in CVPR 2020 (Oral)