核化胶囊网络
机器学习
2019-06-10 v1 机器学习
摘要
胶囊网络试图以保留分层空间关系的方式表示图像中的模式。此外，研究表明这些技术可能对对抗扰动具有鲁棒性。我们提出了一种通过非参数核方法增强鲁棒性的胶囊网络训练改进方案。通过胶囊网络学习到的表示被用于构造高斯过程（GPs）的协方差核。我们证明，该方法在取得与胶囊网络相当的预测性能的同时，提升了对对抗扰动的鲁棒性，并提供了可能有助检测对抗输入的有意义的不确定性度量。
引用
@article{arxiv.1906.03164,
title = {Kernelized Capsule Networks},
author = {Taylor Killian and Justin Goodwin and Olivia Brown and Sung-Hyun Son},
journal= {arXiv preprint arXiv:1906.03164},
year = {2019}
}
备注
Paper accepted to the ICML 2019 Workshop on Understanding and Improving Generalization in Deep Learning