认证适配器：实现和增强分类器对抗鲁棒性的认证
机器学习
2024-05-28 v1 密码学与安全
计算机视觉与模式识别
摘要
随机平滑已成为实现深度分类器对抗 l_{p}-范数扰动鲁棒性的领先方法。当前实现认证鲁棒性的方法，如基于高斯噪声的数据增强和对抗训练，需要针对不同高斯噪声水平调整大型模型的昂贵训练程序，因而无法利用高性能预训练神经网络。本文引入了一种新的认证适配器框架（CAF），以实现和增强分类器对抗鲁棒性的认证。我们的做法对底层训练算法或特征提取器的假设极少，因此适用于各种特征提取器架构（例如卷积神经网络或视觉转换器）和平滑算法。我们表明，CAF（a）实现了在干净数据集上预训练的非认证模型的认证；(b) 在 CIFAR-10 和 ImageNet 上的随机平滑和 SmoothAdv 多个半径显著提高了认证分类器的性能。我们演示 CAF 在与基于随机或去噪平滑的方法相比时实现了改进的认证准确率，且 CAF 对认证适配器超参数不敏感。最后，我们表明，适配器的集成使单个预训练特征提取器能够防御一范围噪声扰动尺度。
引用
@article{arxiv.2405.16036,
title = {Certifying Adapters: Enabling and Enhancing the Certification of Classifier Adversarial Robustness},
author = {Jieren Deng and Hanbin Hong and Aaron Palmer and Xin Zhou and Jinbo Bi and Kaleel Mahmood and Yuan Hong and Derek Aguiar},
journal= {arXiv preprint arXiv:2405.16036},
year = {2024}
}