通过特征金字塔解码器增强内在对抗鲁棒性
机器学习
2020-05-07 v1 计算机视觉与模式识别
机器学习
摘要
尽管对抗训练被用作针对特定对抗样本的主要防御策略，但其泛化能力有限且带来过高的时间复杂度。在本文中，我们提出一种攻击无关的防御框架，以增强神经网络的内在鲁棒性，同时不损害泛化干净样本的能力。我们的特征金字塔解码器（FPD）框架适用于所有基于块的卷积神经网络（CNN）。它将去噪和图像复原模块植入目标 CNN 中，并对分类层的 Lipschitz 常数进行约束。此外，我们提出一种两阶段策略来训练 FPD 增强的 CNN，利用 -邻域噪声图像进行多任务与自监督学习。针对多种白盒与黑盒攻击进行评估，我们证明 FPD 增强的 CNN 在 MNIST、SVHN 和 CALTECH 上对一般对抗样本获得了充分的鲁棒性。此外，若进一步进行对抗训练，FPD 增强的 CNN 表现优于其未增强版本。
引用
@article{arxiv.2005.02552,
title = {Enhancing Intrinsic Adversarial Robustness via Feature Pyramid Decoder},
author = {Guanlin Li and Shuya Ding and Jun Luo and Chang Liu},
journal= {arXiv preprint arXiv:2005.02552},
year = {2020}
}