利用超球面嵌入与基于角度的正则化提升对抗鲁棒性
机器学习
2023-03-16 v1 人工智能
计算机视觉与模式识别
摘要
对抗训练（AT）方法已被发现可有效抵御深度神经网络上的对抗攻击。许多 AT 变体被提出以改进其性能。Pang 等人[1]近期表明，将超球面嵌入（HE）融入现有 AT 流程可增强鲁棒性。我们观察到现有 AT 流程并非为 HE 框架设计，因而未能充分学习 HE 框架中可用的角度判别信息。本文中，我们提出将 HE 与利用 HE 框架中丰富角度信息的正则化项一同整合进 AT。具体而言，我们的方法称为 angular-AT，向 AT 添加正则化项以显式强化权重-特征紧致性与类间分离；均以角度特征表示。实验结果表明 angular-AT 进一步提升了对抗鲁棒性。
引用
@article{arxiv.2303.08289,
title = {Improving Adversarial Robustness with Hypersphere Embedding and Angular-based Regularizations},
author = {Olukorede Fakorede and Ashutosh Nirala and Modeste Atsague and Jin Tian},
journal= {arXiv preprint arXiv:2303.08289},
year = {2023}
}