DeformRS：基于随机平滑的输入形变认证
机器学习
2021-12-21 v2 机器学习
摘要
深度神经网络易受像素位移向量场形式的输入形变以及其他参数化几何形变（如平移、旋转等）的攻击。当前的输入形变认证方法要么1.无法扩展到大规模输入数据集上的深度网络，要么2.只能认证特定类别的形变，例如仅能认证旋转。我们分别针对一般向量场和参数化形变，在随机平滑框架下重新形式化了认证问题，并提出了DeformRS-VF和DeformRS-Par。我们的新形式化可扩展到大规模输入数据集上的大型网络。例如，DeformRS-Par可认证丰富的形变，涵盖平移、旋转、缩放、仿射形变以及其他视觉对齐的形变（如由离散余弦变换基参数化的形变）。在MNIST、CIFAR10和ImageNet上的大量实验表明，DeformRS-Par取得了有竞争力的性能，在ImageNet上对集合内受扰动旋转的认证准确率达到。
引用
@article{arxiv.2107.00996,
title = {DeformRS: Certifying Input Deformations with Randomized Smoothing},
author = {Motasem Alfarra and Adel Bibi and Naeemullah Khan and Philip H. S. Torr and Bernard Ghanem},
journal= {arXiv preprint arXiv:2107.00996},
year = {2021}
}
备注
Accepted to AAAI Conference on Artificial Intelligence (AAAI'22)