利用损失函数的 Lipschitz 正则化提升对抗样本的鲁棒性
机器学习
2019-09-16 v4 密码学与安全
计算机视觉与模式识别
机器学习
摘要
我们用最坏情况对抗训练（WCAT）增强对抗训练（AT），在 CIFAR-10 的 范数下将对抗鲁棒性较当前最优结果提升 11%。我们基于损失函数梯度的范数的期望与最大值，获得可验证的平均情况与最坏情况鲁棒性保证。我们将对抗训练解释为全变分正则化（这是数学图像处理中的基本工具），并将 WCAT 解释为 Lipschitz 正则化。
引用
@article{arxiv.1810.00953,
title = {Improved robustness to adversarial examples using Lipschitz regularization of the loss},
author = {Chris Finlay and Adam Oberman and Bilal Abbasi},
journal= {arXiv preprint arXiv:1810.00953},
year = {2019}
}
备注
Merged with arXiv:1808.09540