引入自适应持续对抗训练（ACAT）以增强机器学习鲁棒性
机器学习
2024-05-30 v2 密码学与安全
网络与互联网体系结构
摘要
对抗训练增强了机器学习（ML）模型抵御对抗攻击的鲁棒性。然而，在网络/网络安全领域获取带标签的训练数据和对抗训练数据既具挑战性又成本高昂。因此，本信引入了自适应持续对抗训练（Adaptive Continuous Adversarial Training, ACAT），这是一种在持续学习会话中利用真实世界检测到的对抗数据将对抗训练样本整合到模型中的方法。使用SPAM检测数据集的实验结果表明，与传统流程相比，ACAT减少了对抗样本检测所需的时间。此外，在仅三次重训练会话后，受攻击的基于ML的SPAM过滤器的准确率从69%提高到了88%以上。
引用
@article{arxiv.2403.10461,
title = {Introducing Adaptive Continuous Adversarial Training (ACAT) to Enhance ML Robustness},
author = {Mohamed elShehaby and Aditya Kotha and Ashraf Matrawy},
journal= {arXiv preprint arXiv:2403.10461},
year = {2024}
}