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-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,我们证明了当时,可证明的最大-半径随维度以的速度递减。值得注意的是,对于,这种对的依赖关系并不优于使用各向同性高斯平滑可证明的-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,例如在或-范数球内的均匀分布,我们分别给出了形式为和的上界,它们对的依赖关系甚至更差。
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}
}