多标签分类器的规避攻击易发性刻画
机器学习
2020-12-22 v2
摘要
多标签学习系统中的规避攻击是一个有趣、广泛存在却鲜有探究的研究课题。刻画决定多标签对抗威胁易发性的关键因素，是解释对抗脆弱性根源并理解如何缓解它的关键。我们的研究受对抗风险界理论的启发。我们将目标多标签分类器的攻击易发性与分类器的正则性以及训练数据分布相关联。除理论攻击易发性分析外，我们进一步通过贪心标签空间探索提出了一种高效的经验攻击易发性估计器。它提供了可证明的计算效率与近似精度。在真实世界数据集上的大量实验结果验证了所揭示的攻击易发性因素以及所提经验攻击易发性指标的有效性。
引用
@article{arxiv.2012.09427,
title = {Characterizing the Evasion Attackability of Multi-label Classifiers},
author = {Zhuo Yang and Yufei Han and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2012.09427},
year = {2020}
}
备注
Accepted by AAAI2021