利用经典与量子增强玻尔兹曼机防御对抗攻击
量子物理
2021-07-14 v2 无序系统与神经网络
机器学习
摘要
我们为判别算法提供针对对抗攻击的鲁棒防御。神经网络天然易受输入数据中微小定制扰动的影响，从而导致错误预测。相反，生成模型试图学习数据集底层的分布，使其天生对微小扰动更具鲁棒性。我们将玻尔兹曼机用作抗攻击分类器进行判别，并将其与标准最先进的对抗防御进行比较。在 MNIST 数据集上，我们发现使用玻尔兹曼机对抗攻击的改进幅度为 5% 至 72%。我们进一步用来自 D-Wave 2000Q 退火机的量子增强采样补充训练，发现结果与经典技术相当，且在部分情况下有微小改进。这些结果强调了概率方法在构建神经网络中的相关性，并凸显了一个具有实际相关性的新场景，其中量子计算机即使硬件能力有限，也能提供相对于经典计算机的优势。本工作献给 Peter Wittek 的记忆。
引用
@article{arxiv.2012.11619,
title = {Defence against adversarial attacks using classical and quantum-enhanced Boltzmann machines},
author = {Aidan Kehoe and Peter Wittek and Yanbo Xue and Alejandro Pozas-Kerstjens},
journal= {arXiv preprint arXiv:2012.11619},
year = {2021}
}
备注
15 pages, 1 figure. V2: Updated to match published version