CAP-GAN：面向对抗鲁棒性的循环一致注意力净化
机器学习
2021-11-19 v3 密码学与安全
计算机视觉与模式识别
摘要
对抗攻击旨在以难以察觉的扰动欺骗目标分类器。带有恶意目的精心制作的对抗样本可导致错误预测，引发灾难性事故。为减轻对抗攻击的影响，我们提出一种称为 CAP-GAN 的新型净化模型。CAP-GAN 考虑像素级与特征级一致性思想，以在循环一致学习下实现合理净化。具体而言，我们利用引导注意力模块与知识蒸馏将有意义的信息传递给净化模型。模型充分训练后，输入将被投影至净化模型并转化为类干净图像。我们改变对手的能力以论证针对各类攻击策略的鲁棒性。在 CIFAR-10 数据集上，CAP-GAN 在黑盒与白盒设定下均优于其他基于预处理的防御。
引用
@article{arxiv.2102.07304,
title = {CAP-GAN: Towards Adversarial Robustness with Cycle-consistent Attentional Purification},
author = {Mingu Kang and Trung Quang Tran and Seungju Cho and Daeyoung Kim},
journal= {arXiv preprint arXiv:2102.07304},
year = {2021}
}