利用对抗训练GAN提升全局对抗鲁棒性泛化能力
计算机视觉与模式识别
2021-03-09 v1 机器学习
摘要
卷积神经网络（CNNs）在图像分类任务中已达到超越人类水平的精度，并广泛部署于真实环境。然而，CNNs对精心设计的、旨在误导分类模型的对抗扰动表现出脆弱性。为防御对抗扰动，提出对抗训练GAN（ATGAN）以提升通过对抗训练训练的最先进CNNs的对抗鲁棒性泛化能力。ATGAN将对抗训练融入标准GAN训练流程，以消除混淆梯度——后者会导致防御对抗扰动的虚假安全感，且常见于现有基于GAN的对抗防御方法中。此外，ATGAN采用图像到图像生成器作为数据增强，以增加对抗训练中对抗鲁棒性泛化所需的样本复杂度。在MNIST、SVHN和CIFAR-10数据集上的实验结果表明，所提方法不依赖混淆梯度，并比对抗训练的最先进CNNs取得更好的全局对抗鲁棒性泛化性能。
引用
@article{arxiv.2103.04513,
title = {Improving Global Adversarial Robustness Generalization With Adversarially Trained GAN},
author = {Desheng Wang and Weidong Jin and Yunpu Wu and Aamir Khan},
journal= {arXiv preprint arXiv:2103.04513},
year = {2021}
}
备注
17 pages, 7 figures, uses simpleConference.sty