利用对抗蒸馏训练防御心电图分类中的对抗攻击
信号处理
2022-03-18 v1 密码学与安全
机器学习
摘要
在临床上，医生依靠心电图（ECG）评估严重心脏疾病。由于技术发展与健康意识提升，目前心电图信号通过医疗与商用设备获取。深度神经网络（DNN）因其高准确率可用于分析这些信号。然而，研究者发现对抗攻击会显著降低 DNN 的准确率。已有研究防御基于 ECG 的 DNN 抵御传统对抗攻击，如投影梯度下降（PGD）和针对 ECG 分类的平滑对抗扰动（SAP）；但据我们所知，尚无研究完整探索针对 ECG 分类对抗攻击的防御。因此，我们进行了不同实验以探究防御方法对针对 ECG 分类的白盒对抗攻击与黑盒对抗攻击的效果，并发现一些常见防御方法对这些攻击表现良好。此外，我们提出一种称为对抗蒸馏训练（Adversarial Distillation Training, ADT）的新防御方法，其源自防御性蒸馏，能有效提升 DNN 的泛化性能。结果表明，我们的方法在抵御针对 ECG 分类的对抗攻击上比其它基线方法（即对抗训练、防御性蒸馏、Jacob 正则化与噪声信号比正则化）更有效。进一步，我们发现我们的方法在低噪声水平的 PGD 攻击下表现更好，意味着我们的方法具有更强鲁棒性。
引用
@article{arxiv.2203.09487,
title = {Defending Against Adversarial Attack in ECG Classification with Adversarial Distillation Training},
author = {Jiahao Shao and Shijia Geng and Zhaoji Fu and Weilun Xu and Tong Liu and Shenda Hong},
journal= {arXiv preprint arXiv:2203.09487},
year = {2022}
}