通过多样化方向进行防御
机器学习
2020-03-25 v1 机器学习
摘要
本工作中我们提出了一种新颖的贝叶斯神经网络方法，以在不需在线对抗训练的情况下实现强对抗鲁棒性。不同于以往在此方向上的努力，我们不仅仅通过最小化所学参数分布与先验之间的散度来依赖网络权重的随机性。相反，我们额外要求模型对所有输入协变量保持某种期望不确定性。我们证明，通过鼓励网络在输入上均匀分布，网络变得不易受局部化、脆弱特征的影响，从而赋予其对定向扰动的天然鲁棒性。我们在多个基准数据集上展示了经验鲁棒性。
引用
@article{arxiv.2003.10602,
title = {Defense Through Diverse Directions},
author = {Christopher M. Bender and Yang Li and Yifeng Shi and Michael K. Reiter and Junier B. Oliva},
journal= {arXiv preprint arXiv:2003.10602},
year = {2020}
}