双边对抗训练：迈向更快训练更鲁棒以抵御对抗攻击的模型
计算机视觉与模式识别
2019-08-02 v2
摘要
本文研究对抗鲁棒模型的快速训练。通过对最先进防御方法即多步对抗训练的分析，我们假设梯度幅值与模型鲁棒性相关。受此启发，我们提出在训练中同时扰动图像与标签，称之为双边对抗训练(BAT)。为生成对抗标签，我们推导了一个闭式启发式解。为生成对抗图像，我们使用以最易混淆类为目标类的一步有目标攻击。实验中，我们首先展示随机起点与最易混淆目标攻击有效防止了标签泄漏与梯度掩蔽问题。随后结合对抗标签部分，我们的模型显著改进了最先进结果。例如，针对使用交叉熵损失的PGD100白盒攻击，在CIFAR10上我们达到63.7%对比47.2%；在SVHN上我们达到59.1%对比42.1%。最后，在极具（计算）挑战性的ImageNet数据集上的实验进一步证明了我们快速方法的有效性。
引用
@article{arxiv.1811.10716,
title = {Bilateral Adversarial Training: Towards Fast Training of More Robust Models Against Adversarial Attacks},
author = {Jianyu Wang and Haichao Zhang},
journal= {arXiv preprint arXiv:1811.10716},
year = {2019}
}
备注
ICCV 2019