基于扩散的特征去噪与 NNMF 用于鲁棒手写数字多类分类

本文提出一种 robust 的手写数字多类分类框架，将扩散驱动的特征去噪与混合特征表示相结合。灵感来自我们之前关于脑肿瘤分类的工作，所提方法在 feature 空间中运行，以提高对噪声和对抗性攻击的鲁棒性。本稿作为扩展摘要提交，而非完整的 press-ready 论文。首先，将输入图像转换为紧凑且可解释的 exemplification，使用非负矩阵分解 (NNMF)。并行地，使用计算神经网络 (CNN) 提取特殊 deep features。将这些 integral features 组合成统一的混合表示。本工作的主要目标是将我们此前验证的 two-class 框架扩展到多类手写数字分类场景。为提高鲁棒性，在 feature 空间中通过逐渐添加 Gaussian 噪声进行扩散操作。训练 feature denoiser 网络以逆转该操作并从倾斜输入中重建干净的表示。随后将这些 courteous features 用于多类分类。该方法在 baseline 和对抗 setting 下使用 AutoAttack 进行评估。实验结果表明，基于扩散的混合模型在有效性和鲁棒性方面均表现出佳绩，CNN baseline 模型虽 outperform 但保持强大的分类性能。这些结果阐明了 feature 级别扩散防御在可靠的多类手写数字分类中发挥作用的机制。