集成守卫者：面向深度神经网络集成抗对抗攻击的成对对抗鲁棒损失
机器学习
2024-12-04 v2
摘要
对抗攻击依赖于可迁移性，即在替代分类器上制作的对抗样本（AE）往往会误导目标分类器。最近的集成方法表明，AE不太可能同时误导集成中的多个分类器。本文提出一种使用成对对抗鲁棒损失（PARL）的新集成训练方法，其通过构造产生具有多样化决策边界的分类器集成。PARL同时利用集成内每个分类器相对于网络参数的各层输出与梯度。结果表明，PARL在黑盒迁移攻击下比先前的集成方法以及对抗训练具有更高的鲁棒性，且不会对干净样本准确率产生不利影响。使用标准 Resnet20、WideResnet28-10 分类器的大量实验证明了PARL针对最先进对抗攻击的鲁棒性。在保持相近干净准确率与更短训练时间的同时，所提架构的鲁棒准确率（ = 0.07）比最先进方法提高24.8%。
引用
@article{arxiv.2112.04948,
title = {Guardian of the Ensembles: Introducing Pairwise Adversarially Robust Loss for Resisting Adversarial Attacks in DNN Ensembles},
author = {Shubhi Shukla and Subhadeep Dalui and Manaar Alam and Shubhajit Datta and Arijit Mondal and Debdeep Mukhopadhyay and Partha Pratim Chakrabarti},
journal= {arXiv preprint arXiv:2112.04948},
year = {2024}
}
备注
Accepted at IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2025)