从攻击中学习：攻击变分自编码器以改进图像分类
机器学习
2022-04-12 v1 计算机视觉与模式识别
图像与视频处理
摘要
对抗攻击常被视为深度神经网络（DNNs）鲁棒性的威胁。人们已开发多种防御技术以减轻对抗攻击对任务预测的潜在负面影响。本工作从另一视角分析对抗攻击：即对抗样本包含对预测（如图像分类）有用的隐式信息，并将针对 DNNs 数据自我表达的对抗攻击视为能够辅助特定学习任务的提取抽象表示。我们提出一种算法框架，利用 DNNs 在数据自我表达与任务特定预测上的优势来改进图像分类。该框架联合学习一个用于攻击变分自编码器（VAE）网络的 DNN 和一个用于分类的 DNN，称为攻击 VAE 以改进分类（AVIC）。实验结果表明，与干净样本训练及传统对抗训练相比，AVIC 在标准数据集上能取得更高准确率。
引用
@article{arxiv.2203.07027,
title = {Learning from Attacks: Attacking Variational Autoencoder for Improving Image Classification},
author = {Jianzhang Zheng and Fan Yang and Hao Shen and Xuan Tang and Mingsong Chen and Liang Song and Xian Wei},
journal= {arXiv preprint arXiv:2203.07027},
year = {2022}
}