通过对输入变换乘性参数的随机平滑实现认证鲁棒性
机器学习
2022-08-17 v3
摘要
当前提供鲁棒性认证最流行的方法是随机平滑，其中输入通过某种概率分布被平滑。我们提出一种在乘性参数上进行随机平滑的新方法。利用该方法，我们构建了针对伽马校正扰动的认证鲁棒分类器，并与通过其他平滑分布（高斯、拉普拉斯、均匀）获得的分类器进行比较。实验表明，非对称瑞利分布在某些扰动参数值下可获得更好的认证。据我们所知，这是首个针对乘性伽马校正变换的认证鲁棒性工作，也是首个研究随机平滑中非对称分布影响的工作。
引用
@article{arxiv.2106.14432,
title = {Certified Robustness via Randomized Smoothing over Multiplicative Parameters of Input Transformations},
author = {Nikita Muravev and Aleksandr Petiushko},
journal= {arXiv preprint arXiv:2106.14432},
year = {2022}
}