Lipschitz 正则化深度神经网络具有泛化能力且对对抗攻击鲁棒
机器学习
2019-09-13 v4 数值分析
数值分析
机器学习
摘要
本工作中我们研究深度神经网络的输入梯度正则化，并证明此类正则化可带来泛化证明及改进的对抗鲁棒性。泛化证明虽未克服维数灾难，但其独立于网络的层数。该对抗鲁棒性正则化将对抗训练（我们证明其等价于全变分正则化）与 Lipschitz 正则化相结合。我们通过实验证明正则化模型更为鲁棒，且图像的梯度范数可用于攻击检测。
引用
@article{arxiv.1808.09540,
title = {Lipschitz regularized Deep Neural Networks generalize and are adversarially robust},
author = {Chris Finlay and Jeff Calder and Bilal Abbasi and Adam Oberman},
journal= {arXiv preprint arXiv:1808.09540},
year = {2019}
}
备注
18 pages, 4 figures (merged with arXiv:1810.00953)