多判别器 GAN 中搭便车者的攻击与防御
计算机视觉与模式识别
2022-01-26 v1 分布式、并行与集群计算
摘要
生成对抗网络（GAN）越来越多地被工业界用于合成逼真图像。由于数据并非集中可用，多判别器（MD）-GANs训练框架采用多个可直接访问真实数据的判别器。分布式训练一个联合GAN模型会带来搭便车者的风险，即那些旨在从共同模型中获益却仅假装参与训练过程的参与者。在本文中，我们首次对搭便车者对MD-GAN的影响进行了特征研究。基于MD-GAN的两个生产原型，我们发现搭便车者会显著降低MD-GAN生成与真实数据无法区分的图像的能力，即它们增加了FID分数——评估生成图像质量的标准度量。为缓解模型退化，我们提出了一种针对MD-GAN中搭便车者的防御策略，称为DFG。DFG通过基于搭便车者参考响应的周期性探测和判别器响应聚类来区分搭便车者和良性参与者，从而使生成器能够将检测到的搭便车者排除在训练之外。此外，我们扩展了防御策略，称为DFG+，以在允许判别器网络对等交换的MD-GAN变体中，使判别器能够过滤掉搭便车者。在搭便车者、MD-GAN架构和三个数据集的各种场景下进行的广泛评估表明，我们的防御策略能有效检测搭便车者。在存在1到5个搭便车者的情况下，与无防御的攻击相比，DFG和DFG+在CIFAR10上平均将FID降低了5.22%至11.53%，在CIFAR100上降低了5.79%至13.22%。总之，所提出的DFG(+)能够以可忽略的计算开销有效防御搭便车者，而不影响良性客户端。
引用
@article{arxiv.2201.09967,
title = {Attacks and Defenses for Free-Riders in Multi-Discriminator GAN},
author = {Zilong Zhao and Jiyue Huang and Stefanie Roos and Lydia Y. Chen},
journal= {arXiv preprint arXiv:2201.09967},
year = {2022}
}