中文

随机平滑在可证明鲁棒性上的维度灾难

机器学习 2020-08-17 v2 机器学习

摘要

随机平滑仅使用简单的各向同性高斯分布,已被证明能够对2\ell_2-范数有界对抗样本产生良好的鲁棒性保证。在这项工作中,我们表明将平滑技术扩展到防御其他攻击模型可能具有挑战性,尤其是在高维情形下。特别地,对于一大类独立同分布的平滑分布,我们证明了当p>2p > 2时,可证明的最大p\ell_p-半径随维度ddO(1/d121p)O(1/d^{\frac{1}{2} - \frac{1}{p}})的速度递减。值得注意的是,对于p2p \geq 2,这种对dd的依赖关系并不优于使用各向同性高斯平滑可证明的p\ell_p-半径,本质上为该鲁棒性半径给出了一个匹配的下界。当限制于广义高斯平滑时,这两个界在渐近意义下可证明彼此相差一个常数因子,确立了当p2p \geq 2时高斯平滑在常数因子范围内提供了最佳可能结果。我们在CIFAR上给出了实验以验证我们的理论。对于其他平滑分布,例如在1\ell_1\ell_\infty-范数球内的均匀分布,我们分别给出了形式为O(1/d)O(1 / d)O(1/d11p)O(1 / d^{1 - \frac{1}{p}})的上界,它们对dd的依赖关系甚至更差。

关键词

引用

@article{arxiv.2002.03239,
  title  = {Curse of Dimensionality on Randomized Smoothing for Certifiable Robustness},
  author = {Aounon Kumar and Alexander Levine and Tom Goldstein and Soheil Feizi},
  journal= {arXiv preprint arXiv:2002.03239},
  year   = {2020}
}