面向随机平滑的输入特定鲁棒性认证
计算机视觉与模式识别
2021-12-23 v1
摘要
尽管随机平滑已展现出比其他认证防御更高的认证鲁棒性与优越的可扩展性，但鲁棒性认证的高计算开销瓶颈了实际适用性，因为它严重依赖用于估计置信区间的大样本近似。在现有工作中，置信区间的样本量被统一设定且与预测输入无关。这种输入无关采样（IAS）方案可能产生较差的平均认证半径（ACR）-运行时间权衡，亟需改进。本文提出输入特定采样（ISS）加速，以基于输入特性自适应减少采样规模的方式实现鲁棒性认证的成本效益。此外，我们的方法普遍控制了由ISS样本量减少引起的认证半径下降。在CIFAR-10与ImageNet上的实证结果表明，ISS能以仅0.05认证半径的有限代价将认证加速三倍以上。同时，在广泛超参数设置下ISS在平均认证半径上超越IAS。具体而言，ISS在250分钟内于ImageNet（σ=1.0）上达到ACR=0.958，而相同条件下IAS为ACR=0.917。我们在https://github.com/roy-ch/Input-Specific-Certification发布代码。
引用
@article{arxiv.2112.12084,
title = {Input-Specific Robustness Certification for Randomized Smoothing},
author = {Ruoxin Chen and Jie Li and Junchi Yan and Ping Li and Bin Sheng},
journal= {arXiv preprint arXiv:2112.12084},
year = {2021}
}
备注
Accepted by AAAI22