基于拉格朗日对偶方法评估支持向量机的鲁棒性
机器学习
2023-06-06 v1 人工智能
摘要
对抗样本给支持向量机（SVMs）带来了显著的安全威胁，尤其是那些用于安全关键应用的 SVM。因此，鲁棒性验证是 SVM 的一个重要问题，它能够针对各类对抗攻击提供可证明的鲁棒性。通过鲁棒性验证得到的评估结果可为 SVM 的使用提供安全保证。现有的验证方法在验证具有非线性核的 SVM 时往往表现不佳。为此，我们提出一种改进非线性核 SVM 验证性能的方法。我们首先将 SVM 的对抗鲁棒性评估形式化为一个优化问题。然后通过求解原问题的拉格朗日对偶问题得到原问题的一个下界。最后，基于该下界评估 SVM 的对抗鲁棒性。我们在 MNIST 和 Fashion-MNIST 数据集上评估了具有线性和非线性核的 SVM 的对抗鲁棒性。实验结果表明，我们的方法在测试集上获得的可证明鲁棒性比例优于当前最优方法。
引用
@article{arxiv.2306.02639,
title = {Evaluating robustness of support vector machines with the Lagrangian dual approach},
author = {Yuting Liu and Hong Gu and Pan Qin},
journal= {arXiv preprint arXiv:2306.02639},
year = {2023}
}