将张量分解应用于图像以抵御对抗攻击的鲁棒性
计算机视觉与模式识别
2020-03-06 v2 机器学习
摘要
如今深度学习技术发展迅速，并在计算机视觉领域展现出卓越性能。然而，基于深度学习的模型对称为对抗攻击的微小扰动高度脆弱。通过添加微小扰动即可轻易欺骗深度学习模型。另一方面，张量分解方法被广泛用于压缩张量数据，包括数据矩阵、图像等。本文提出结合张量分解以防御模型免受对抗样本攻击。我们验证该思路简单且能有效抵御对抗攻击。此外，该方法几乎不降低干净数据的原始性能。我们在MNIST、CIFAR10与ImageNet数据上实验，并表明我们的方法在SOTA攻击方法下具有鲁棒性。
引用
@article{arxiv.2002.12913,
title = {Applying Tensor Decomposition to image for Robustness against Adversarial Attack},
author = {Seungju Cho and Tae Joon Jun and Mingu Kang and Daeyoung Kim},
journal= {arXiv preprint arXiv:2002.12913},
year = {2020}
}