特征化双向 GAN：通过对抗学习语义推断的对抗防御
机器学习
2018-10-02 v2 密码学与安全
计算机视觉与模式识别
机器学习
摘要
深度神经网络已被证明易受对抗攻击，即有意添加到原始输入上的微小扰动可欺骗分类器。在本文中，我们提出一种防御方法——特征化双向生成对抗网络 (FBGAN)，以提取输入的语义特征并过滤非语义扰动。FBGAN 以无监督方式在干净数据集上预训练，对抗地学习高维数据空间与低维语义空间之间的双向映射；同时应用互信息来解耦具有语义意义的特征。经过双向映射后，对抗数据可被重建为去噪数据，进而送入任何预训练的分类器。我们通过实验展示了重建图像的质量以及防御的有效性。
引用
@article{arxiv.1805.07862,
title = {Featurized Bidirectional GAN: Adversarial Defense via Adversarially Learned Semantic Inference},
author = {Ruying Bao and Sihang Liang and Qingcan Wang},
journal= {arXiv preprint arXiv:1805.07862},
year = {2018}
}