通过特征模式一致性约束提升对抗鲁棒性
计算机视觉与模式识别
2024-06-14 v1 密码学与安全
摘要
卷积神经网络(CNN)以其对对抗攻击的脆弱性而闻名，带来了严重的安全问题。为应对这些威胁，出现了各种防御方法来增强模型的鲁棒性。然而，大多数现有方法要么专注于从对抗扰动中学习，导致对对抗样本过拟合，要么旨在推理过程中消除此类扰动，不可避免地增加计算负担。相反，干净训练仅依靠干净样本来增强模型鲁棒性，可以解决上述问题。在本文中，我们遵循这一方法论，并通过检查网络中潜在特征的行为来增强其对未知对抗样本的泛化能力。认识到正确预测依赖于潜在特征模式的正确性，我们引入了一种新颖有效的特征模式一致性约束(FPCC)方法来增强潜在特征保持正确特征模式的能力。具体来说，我们提出了空间特征修改和通道特征选择来增强潜在特征。随后，我们使用模式一致性损失来约束潜在特征模式与正确特征模式之间的相似性。实验表明，FPCC方法使潜在特征即使在面对对抗样本时也能保持正确的特征模式，从而产生超越最先进模型的内在对抗鲁棒性。
引用
@article{arxiv.2406.08829,
title = {Improving Adversarial Robustness via Feature Pattern Consistency Constraint},
author = {Jiacong Hu and Jingwen Ye and Zunlei Feng and Jiazhen Yang and Shunyu Liu and Xiaotian Yu and Lingxiang Jia and Mingli Song},
journal= {arXiv preprint arXiv:2406.08829},
year = {2024}
}