抗对抗扰动的去噪字典学习
机器学习
2018-01-09 v1 机器学习
摘要
我们提出去噪字典学习（DDL），一种简单而有效的技术，作为对抗对抗扰动的保护措施。我们在 MNIST 和 CIFAR10 上检验了去噪字典学习，这些数据集在两种不同扰动技术下被扰动：快速梯度符号法（FGSM）和雅可比显著性图（JSMA）。我们针对五个不同的深度神经网络（DNN）评估了它，这些网络代表了大多数近期架构的构建模块，体现了彼此间模型复杂度的递进。我们表明每个模型倾向于根据其架构捕获不同的表示。对于每个模型，我们记录了其在先前被高置信度误分类的扰动测试数据上以及在经字典学习重建后的去噪数据上的准确率。每个数据点的重建质量通过 PSNR（峰值信噪比）和结构相似性指数（SSI）来评估。我们表明在应用（DDL）后，从噪声中重建原始数据点
引用
@article{arxiv.1801.02257,
title = {Denoising Dictionary Learning Against Adversarial Perturbations},
author = {John Mitro and Derek Bridge and Steven Prestwich},
journal= {arXiv preprint arXiv:1801.02257},
year = {2018}
}
备注
8 pages, 10 figures, aaai18 workshop