针对对抗鲁棒性的自适应批量归一化网络
偏微分方程分析
2024-05-21 v1
摘要
深度网络对对抗样本十分脆弱。对抗训练（AT）因其卓越的有效性，成为现代对抗防御方法的标准基础。然而，AT计算极其耗时，限制了其在实际应用中的广泛部署。本文旨在寻找一种无需AT的防御方法，同时仍能抵御强大的对抗攻击。为此，我们借鉴最近在测试时域适应方面的进展，提出了一种新型防御方法，称为自适应批量归一化网络（ABNN）。ABNN使用预训练的替代模型生成干净的批量归一化统计信息，并将其发送给目标模型。目标模型仅在干净数据上训练，并学习对齐替代模型的批量归一化统计信息。实验结果表明，ABNN在图像和视频数据集上都能持续改进对抗鲁棒性，抵御数字和物理可实现的攻击。此外，ABNN在干净数据上的性能更好，训练时间复杂度显著低于基于AT的方法。
引用
@article{arxiv.2405.11707,
title = {Blowup time and blowup rate for a pseudo-parabolic equation with singular potential},
author = {Xiang-kun Shao and Nan-jing Huang and Donal O'Regan},
journal= {arXiv preprint arXiv:2405.11707},
year = {2024}
}