MACER：通过最大化认证半径实现无攻击且可扩展的鲁棒训练
机器学习
2022-03-15 v4 密码学与安全
机器学习
摘要
对抗训练是学习鲁棒模型最流行的方法之一，但通常依赖于攻击且耗时。在本文中，我们提出 MACER 算法，它不使用对抗训练即可学习鲁棒模型，且表现优于所有现有的可证明 l2 防御方法。近期工作表明，随机平滑可用于为平滑分类器提供认证的 l2 半径，而我们的算法通过最大化认证半径（MAximizing the CErtified Radius, MACER）来训练可证明鲁棒的平滑分类器。无攻击的特性使 MACER 训练更快、更易优化。在我们的实验中，我们展示了该方法可应用于包括 Cifar-10、ImageNet、MNIST 和 SVHN 在内的广泛数据集上的现代深度神经网络。对于所有任务，MACER 比最先进的对抗训练算法花费更少的训练时间，且学习到的模型实现了更大的平均认证半径。
引用
@article{arxiv.2001.02378,
title = {MACER: Attack-free and Scalable Robust Training via Maximizing Certified Radius},
author = {Runtian Zhai and Chen Dan and Di He and Huan Zhang and Boqing Gong and Pradeep Ravikumar and Cho-Jui Hsieh and Liwei Wang},
journal= {arXiv preprint arXiv:2001.02378},
year = {2022}
}
备注
Published in ICLR 2020. 20 Pages