ExAL：一种探索增强的对抗学习算法
机器学习
2024-11-26 v1
摘要
对抗学习对于增强模型鲁棒性至关重要，旨在防御危及机器学习系统的对抗攻击。传统方法往往缺乏有效的机制来探索多样化的对抗扰动，导致模型韧性有限。受博弈论原理启发，通过诺亚平衡等框架分析对抗动态，探索机制允许发现多样化策略，从而增强系统韧性。然而，现有的对抗学习方法往往未能有效融合结构化探索，削弱了其全面提升模型防御能力。为此，本文提出一种新的探索增强对抗学习算法(ExAL)，利用指数加权动量粒子群优化器(Exponentially Weighted Momentum Particle Swarm Optimizer, EMPSO)生成优化后的对抗扰动。ExAL集成探索驱动的机制，以发现最大化影响模型决策边界的扰动，同时保持数据结构的一致性。我们在MNIST手写数字数据集和混合恶意软件数据集上评估了ExAL的性能。实验结果表明，ExAL通过对抗学习显著增强了模型对对抗攻击的韧性。
引用
@article{arxiv.2411.15878,
title = {ExAL: An Exploration Enhanced Adversarial Learning Algorithm},
author = {A Vinil and Aneesh Sreevallabh Chivukula and Pranav Chintareddy},
journal= {arXiv preprint arXiv:2411.15878},
year = {2024}
}