深度对抗增强 k 近邻
机器学习
2021-10-08 v2 人工智能
计算机视觉与模式识别
摘要
近期工作已在理论和实证上表明，深度神经网络（DNNs）对微小扰动具有固有的脆弱性。应用深度 k 近邻（DkNN）分类器，我们观察到随着层数加深，鲁棒性-准确率权衡急剧增加。在本工作中，我们提出一种深度对抗增强 k 近邻（DAEkNN）方法，通过两个关键要素实现比 DkNN 更高的鲁棒性并缓解深层中的鲁棒性-准确率权衡。首先，DAEkNN 基于对抗训练模型。其次，DAEkNN 通过利用良性训练数据和对抗训练数据的加权组合进行预测。在实证上，我们发现 DAEkNN 在 MNIST 和 CIFAR-10 数据集上同时改善了鲁棒性和鲁棒性-准确率权衡。
引用
@article{arxiv.2108.06797,
title = {Deep Adversarially-Enhanced k-Nearest Neighbors},
author = {Ren Wang and Tianqi Chen and Alfred Hero},
journal= {arXiv preprint arXiv:2108.06797},
year = {2021}
}