流形攻击
机器学习
2021-03-18 v2 机器学习
摘要
机器学习尤其是深度学习在近十年引起了广泛关注，并在许多计算机视觉或自然语言处理任务中展现出显著的性能提升。为了处理仅有少量训练样本的数据库或具有大量参数的模型，正则化是不可或缺的。本文中，我们通过使用“流形攻击”将原始数据到潜在表示的流形保持（流形学习）加以强化。后者受对抗学习风格的启发：寻找最大程度破坏流形保持的虚拟点，然后将这些点作为补充样本来训练模型。我们表明，我们的正则化方法在准确率和对抗样本鲁棒性方面均提供了改进。
引用
@article{arxiv.2009.05965,
title = {Manifold attack},
author = {Khanh-Hung Tran and Fred-Maurice Ngole-Mboula and Jean-Luc Starck},
journal= {arXiv preprint arXiv:2009.05965},
year = {2021}
}