FUNN：灵活的无监督神经网络
机器学习
2018-11-06 v1 计算机视觉与模式识别
摘要
深度神经网络在图像分类任务中已展现出高准确率。然而，它们被证明易受对抗样本攻击：图像中微小的扰动会显著改变分类输出。近年来，已有若干防御方法被提出以解决监督分类任务中的此问题。我们提出了一种在无监督学习任务中获取抗对抗攻击鲁棒特征的方法。我们的方法与现有方案的不同之处在于，直接学习鲁棒特征，而无需将对抗样本投影到原始样本分布空间中。第一个自编码器 A1 负责扰动输入图像以欺骗另一个负责重建原始图像的自编码器 A2。A1 试图在 A2 输出误差至少等于某一阈值的约束下，寻找扰动最小的图像。得益于该训练，A2 的编码器将对抗攻击具有鲁棒性，并可用于分类等不同任务。利用最先进的网络架构，我们证明了通过该方法获得的特在分类任务中的鲁棒性。
引用
@article{arxiv.1811.01749,
title = {FUNN: Flexible Unsupervised Neural Network},
author = {David Vigouroux and Sylvain Picard},
journal= {arXiv preprint arXiv:1811.01749},
year = {2018}
}