利用局部与全局潜变量分布提升模型鲁棒性
机器学习
2022-10-04 v2
摘要
本文从全局流形视角考虑深度神经网络针对对抗攻击的模型鲁棒性。利用局部与全局潜变量信息，我们通过鲁棒优化提出一种新颖的对抗训练方法，以及一种通过对抗博弈（判别器与分类器之间）生成潜流形对抗样本（LMAEs）的可行方式。所提出的带潜变量分布的对抗训练（ATLD）方法以无监督方式利用潜流形构造 LMAEs 来防御对抗攻击。ATLD 保留了潜流形的局部与全局信息，并有望提升针对对抗攻击的鲁棒性。为验证所提方法的有效性，我们在不同数据集（如 CIFAR-10、CIFAR-100、SVHN）上针对不同对抗攻击（如 PGD、CW）进行了大量实验，结果表明我们的方法在对抗鲁棒性上以较大的准确率优势大幅优于最先进方法（如 Feature Scattering）。源代码见 https://github.com/LitterQ/ATLD-pytorch。
引用
@article{arxiv.2107.04401,
title = {Improving Model Robustness with Latent Distribution Locally and Globally},
author = {Zhuang Qian and Shufei Zhang and Kaizhu Huang and Qiufeng Wang and Rui Zhang and Xinping Yi},
journal= {arXiv preprint arXiv:2107.04401},
year = {2022}
}