指数高斯分布对（双采样）随机平滑的影响
机器学习
2024-06-06 v2
摘要
随机平滑（RS）是一种可扩展的认证防御方法，可针对对抗样本提供鲁棒性认证。尽管在针对ℓ_p对手的防御方面取得了显著进展，但平滑分布与鲁棒性认证之间的相互作用仍不明确。本文全面研究了两种分布族——指数标准高斯（ESG）和指数一般高斯（EGG）分布——对随机平滑和双采样随机平滑（DSRS）的影响。我们推导了ESG认证半径的解析公式，该公式随着维度d的增加收敛到RS的原始公式。此外，我们证明EGG在提供ℓ2认证半径的Ω(√d)下界方面可以提供比DSRS更紧的常数因子，从而进一步解决了RS中的维度灾难。我们在真实数据集上的实验证实了我们对ESG分布的理论分析，即它们在RS和DSRS的不同指数η下提供几乎相同的认证。此外，EGG显著改善了DSRS认证，但机制可能因分类器属性不同而不同。与原始DSRS相比，EGG提供的认证准确率提升显著，在ImageNet上最高达6.4%。
引用
@article{arxiv.2406.02309,
title = {Effects of Exponential Gaussian Distribution on (Double Sampling) Randomized Smoothing},
author = {Youwei Shu and Xi Xiao and Derui Wang and Yuxin Cao and Siji Chen and Jason Xue and Linyi Li and Bo Li},
journal= {arXiv preprint arXiv:2406.02309},
year = {2024}
}
备注
ICML 2024 Poster