通过对抗训练与三元组损失提升深度神经网络鲁棒性
机器学习
2019-05-29 v1 机器学习
摘要
最近的研究强调深度神经网络（DNNs）易受对抗样本攻击。在本文中，我们利用距离度量学习技术提升深度神经网络的鲁棒性。具体而言，我们将最流行的距离度量学习方法之一的三元组损失（Triplet Loss）纳入对抗训练框架。我们提出的算法，带三元组损失的对抗训练（ATL），用针对当前模型的对抗样本替代三元组损失的锚点，以有效平滑分类边界。此外，我们提出了ATL的集成版本，其聚合不同的攻击方法和模型结构以获得更好的防御效果。我们的实证研究表明所提方法可在不牺牲准确率的情况下显著提升深度神经网络的鲁棒性。最后，我们证明我们专门设计的三元组损失也可用作正则化项以增强其他防御方法。
引用
@article{arxiv.1905.11713,
title = {Improving the Robustness of Deep Neural Networks via Adversarial Training with Triplet Loss},
author = {Pengcheng Li and Jinfeng Yi and Bowen Zhou and Lijun Zhang},
journal= {arXiv preprint arXiv:1905.11713},
year = {2019}
}