基于随机 Lp-范数扰动的图像分类器抗 corrupted 鲁棒性研究

鲁棒性是机器学习分类器实现安全性与可靠性所需的基本属性。在图像分类器的对抗鲁棒性领域中，鲁棒性通常定义为模型对 p-范数距离内所有输入变化的稳定性。然而，在随机扰动鲁棒性领域中，使用的是现实世界中观察到的变化，而 p-范数扰动很少被考虑。本研究探讨了使用随机 p-范数扰动来扩充图像分类器的训练与测试数据。我们评估了模型对不可感知的随机 p-范数扰动的鲁棒性，并提出了一种新颖的鲁棒性度量。我们通过实证研究了鲁棒性是否在不同 p-范数之间迁移，并得出关于模型应针对何种 p-范数扰动进行训练与评估的结论。我们发现，使用 p-范数扰动组合进行训练数据扩充能显著提升抗 corrupted 鲁棒性，即便在最优（SOTA）数据扩充方案之上也是如此。