蝴蝶效应：通过微小加性扰动对分类性能的双向控制
机器学习
2017-12-05 v2 人工智能
机器学习
摘要
本文提出一种新算法，通过生成微小加性扰动来控制分类结果，而无需改变分类器网络。我们的工作受到现有生成使分类性能恶化的对抗扰动的启发。与现有方法相反，我们的工作旨在生成能够提升整体分类性能的扰动。为解决这一性能增强问题，我们新提出一种受对抗学习策略影响的扰动生成网络（PGN）。在我们的问题中，大型外部数据集中的信息被总结为一个微小加性扰动，有助于改进用目标数据集训练的分类器性能。除该性能增强问题外，我们表明所提出的PGN可在不利用目标分类器信息的情况下被用于解决经典对抗问题。上述方法特性通过在公开可用视觉数据集上的大量实验得到验证。
引用
@article{arxiv.1711.09681,
title = {Butterfly Effect: Bidirectional Control of Classification Performance by Small Additive Perturbation},
author = {YoungJoon Yoo and Seonguk Park and Junyoung Choi and Sangdoo Yun and Nojun Kwak},
journal= {arXiv preprint arXiv:1711.09681},
year = {2017}
}