反演与防御：基于模型的生成对抗网络近似反演用于安全推理
机器学习
2019-12-02 v1 计算机视觉与模式识别
机器学习
摘要
推断生成给定测试样本的潜变量是生成对抗网络（GANs）中的一个具有挑战性的问题。本文提出 InvGAN——一种用于解决 GANs 中推理问题的新框架，其涉及训练一个能够在无需任何训练数据的情况下反演预训练生成器网络的编码器网络。在温和假设下，我们从理论上证明，使用 InvGAN 可以近似反演训练好的 GAN 模型的任意潜码的生成的样本。此外，我们通过与其他执行类似任务的方法的定量与定性比较，经验性地展示了我们推理方案的优越性。我们还展示了我们的框架在对抗防御问题中的有效性，其中 InvGAN 可成功用作基于投影的防御机制。另外，我们展示了如何利用 InvGAN 对基于投影的防御机制实施重参数化白盒攻击。在多个基准数据集上的实验验证表明了我们的方法在多种白盒和黑盒攻击上取得改进性能的功效。我们的代码可在 https://github.com/yogeshbalaji/InvGAN 获取。
引用
@article{arxiv.1911.10291,
title = {Invert and Defend: Model-based Approximate Inversion of Generative Adversarial Networks for Secure Inference},
author = {Wei-An Lin and Yogesh Balaji and Pouya Samangouei and Rama Chellappa},
journal= {arXiv preprint arXiv:1911.10291},
year = {2019}
}