GReAT：一种图正则化对抗训练方法
机器学习
2024-05-06 v2 计算机视觉与模式识别
摘要
本文提出 GReAT（Graph Regularized Adversarial Training，图正则化对抗训练），一种旨在增强深度学习模型鲁棒分类性能的新型正则化方法。对抗样本以可误导模型的细微扰动为特征，是机器学习中的重大挑战。尽管对抗训练在防御此类攻击方面有效，却常忽略底层数据结构。为此，GReAT 将基于图的正则化整合进对抗训练过程，利用数据固有结构增强模型鲁棒性。通过在训练中引入图信息，GReAT 既防御对抗攻击，又改善对未见数据的泛化。在基准数据集上的广泛评估表明，GReAT 在鲁棒性上优于 SOTA 方法，分类准确率显著提升。具体而言，相较于次优方法，GReAT 在 CIFAR10 上对抗 FGSM 攻击性能提升约 4.87%，在 SVHN 上对抗 FGSM 攻击提升 10.57%；此外，在 CIFAR10 上对抗 PGD 攻击提升约 11.05%，在 SVHN 上对抗 PGD 攻击提升 5.54%。本文详述所提方法，包括数值结果及与现有方法的对比，凸显 GReAT 在提升深度学习模型性能上的显著影响。
引用
@article{arxiv.2310.05336,
title = {GReAT: A Graph Regularized Adversarial Training Method},
author = {Samet Bayram and Kenneth Barner},
journal= {arXiv preprint arXiv:2310.05336},
year = {2024}
}
备注
25 pages including references. 7 figures and 6 tables