通过非局部去噪防御对深度卷积神经网络的对抗攻击
计算机视觉与模式识别
2022-06-28 v1 密码学与安全
机器学习
摘要
尽管网络架构性能取得了实质性进展，但对抗攻击的易感性使深度学习难以应用于安全关键型场景。本文提出一种以数据为中心的方法来解决该问题。使用具有不同亮度值的非局部去噪方法从修改后的国家标准与技术研究院数据库（MNIST）和加拿大高等研究院（CIFAR-10）数据集生成对抗样本。在扰动下，该方法在MNIST数据集上实现了最高9.3%的绝对准确率提升，在CIFAR-10数据集上实现了13%的提升。使用更高亮度值的变换图像进行训练增强了分类器的鲁棒性。我们表明迁移学习不利于对抗机器学习。结果表明，简单的对抗样本可提升鲁棒性，并使深度学习更易于应用于各类场景。
引用
@article{arxiv.2206.12685,
title = {Defense against adversarial attacks on deep convolutional neural networks through nonlocal denoising},
author = {Sandhya Aneja and Nagender Aneja and Pg Emeroylariffion Abas and Abdul Ghani Naim},
journal= {arXiv preprint arXiv:2206.12685},
year = {2022}
}