Beckman防御
机器学习
2023-01-06 v2 密码学与安全
计算机视觉与模式识别
摘要
基于最优传输（OT）的分布鲁棒优化（DRO）近年来受到一定关注。然而其尚处起步阶段，但在增强深度学习模型鲁棒性方面具有良好潜力。有趣的是，OT 重心对对抗攻击表现出良好的鲁棒性。由于 OT 重心的计算代价高昂，尚未在 DRO 框架下被研究。本工作中，我们提出一种新的重心，即 Beckman 重心，其可高效计算，并可与对抗训练结合用于训练网络以防御对抗攻击。我们提出了 Beckman 重心的新型表述，并利用输入图像的边缘分布解析地求得该重心。我们展示了 Beckman 重心可用于训练对抗训练网络以提升鲁棒性。我们的训练极为高效，仅需单轮训练。在 CIFAR-10、CIFAR-100 和 Tiny ImageNet 上的详尽实验表明，使用 Beckman 重心训练对抗鲁棒网络可显著提升性能。在自动攻击下，我们在 CIFAR-10 上获得最高 10\% 的提升，在 CIFAR-100 上提升 8.34\%，在 Tiny ImageNet 上提升 11.51\%。我们的代码见 https://github.com/Visual-Conception-Group/test-barycentric-defense。
引用
@article{arxiv.2301.01495,
title = {Beckman Defense},
author = {A. V. Subramanyam},
journal= {arXiv preprint arXiv:2301.01495},
year = {2023}
}