Scifaro

中文

改进用于训练可认证鲁棒分类器的凸松弛界紧度

机器学习 2020-02-25 v1 机器学习

作者: Chen Zhu , Renkun Ni , Ping-yeh Chiang , Hengduo Li , Furong Huang , Tom Goldstein

在 arXiv 上查看 ↗ PDF ↗

摘要

凸松弛对于训练和认证神经网络抵御范数有界对抗攻击是有效的，但其在可认证鲁棒性与经验鲁棒性之间留下较大差距。原则上，若松弛问题的解对原始非凸问题可行，凸松弛可提供紧界。我们提出两种正则化器，可用于训练产生更紧鲁棒凸松弛界的神经网络。在所有实验中，所提正则化器比无正则化基线获得更高的认证准确率。

关键词

凸松弛可认证鲁棒性对抗攻击神经网络正则化器认证准确率

引用

@article{arxiv.2002.09766,
  title  = {Improving the Tightness of Convex Relaxation Bounds for Training Certifiably Robust Classifiers},
  author = {Chen Zhu and Renkun Ni and Ping-yeh Chiang and Hengduo Li and Furong Huang and Tom Goldstein},
  journal= {arXiv preprint arXiv:2002.09766},
  year   = {2020}
}