一种用于提升神经网络对抗鲁棒性的正交分类器
计算机视觉与模式识别
2021-09-27 v2
摘要
神经网络易受人为设计的对抗扰动影响。近期研究表明，对分类层施加特定修改可提升神经网络的鲁棒性。本文显式构造了一个元素幅值相同的稠密正交权重矩阵，从而得到一种新颖的鲁棒分类器。所提出的分类器避免了先前工作中不期望的结构冗余问题。在干净数据上采用该分类器进行标准训练，即足以保证模型的高精度与良好鲁棒性。此外，当使用额外的对抗样本时，借助一种特殊的最坏情况损失可进一步提升鲁棒性。实验结果表明，我们的方法高效且与许多最先进的防御方法相比具有竞争力。我们的代码已发布于 \url{https://github.com/MTandHJ/roboc}。
引用
@article{arxiv.2105.09109,
title = {An Orthogonal Classifier for Improving the Adversarial Robustness of Neural Networks},
author = {Cong Xu and Xiang Li and Min Yang},
journal= {arXiv preprint arXiv:2105.09109},
year = {2021}
}
备注
19 pages