ANCER：通过样本级体积最大化的各向异性认证
机器学习
2022-09-01 v4 计算机视觉与模式识别
摘要
随机平滑最近已成为一种有效工具，能够大规模认证深度神经网络分类器。先前所有关于随机平滑的研究都聚焦于各向同性 认证，其优势在于产生可通过 范数半径在各向同性方法间轻松比较的证书。然而，各向同性认证将输入周围可认证的区域限制于最坏情况对手，即它无法推理其他“接近的”、潜在较大的恒定预测安全区域。为缓解此问题，（i）我们基于简化分析将各向同性随机平滑 和 证书理论推广至其广义各向异性对应物。此外，（ii）我们提出了允许比较通用证书的评估指标——若一个证书认证了超集区域则其优于另一证书——并通过认证区域的体积对每个证书进行量化。我们引入了 ANCER，一个通过体积最大化为给定测试集样本获取各向异性证书的框架。我们通过泛化基于记忆的数据依赖分类器认证实现了它。我们的实证结果表明，在数据依赖设定下，ANCER 在 CIFAR-10 和 ImageNet 上达到了最先进的 和 认证准确率，同时按体积认证了更大的区域，凸显了摆脱各向同性分析的好处。我们的代码可在 https://github.com/MotasemAlfarra/ANCER 获取。
引用
@article{arxiv.2107.04570,
title = {ANCER: Anisotropic Certification via Sample-wise Volume Maximization},
author = {Francisco Eiras and Motasem Alfarra and M. Pawan Kumar and Philip H. S. Torr and Puneet K. Dokania and Bernard Ghanem and Adel Bibi},
journal= {arXiv preprint arXiv:2107.04570},
year = {2022}
}
备注
First two authors and the last one contributed equally to this work