遮蔽对抗损害：寻找对抗显著性的鲁棒稀疏网络
计算机视觉与模式识别
2022-04-07 v1
摘要
对抗样本在深度神经网络中引发弱可靠性与潜在安全问题。尽管对抗训练已被广泛研究以提升对抗鲁棒性，但其工作于过参数化机制下，且需要高计算量与大内存开销。为桥接对抗鲁棒性与模型压缩，我们提出一种新颖的对抗剪枝方法——遮蔽对抗损害（MAD），其利用对抗损失的二阶信息。借此，我们能准确估计模型参数的对抗显著性，并确定哪些参数可在不削弱对抗鲁棒性的情况下被剪枝。此外，我们揭示初始层模型参数对对抗样本高度敏感，并表明压缩后的特征表示保留了目标对象的语义信息。通过在三个公开数据集上的广泛实验，我们证明 MAD 能有效剪枝对抗训练网络而不损失对抗鲁棒性，且性能优于先前对抗剪枝方法。
引用
@article{arxiv.2204.02738,
title = {Masking Adversarial Damage: Finding Adversarial Saliency for Robust and Sparse Network},
author = {Byung-Kwan Lee and Junho Kim and Yong Man Ro},
journal= {arXiv preprint arXiv:2204.02738},
year = {2022}
}
备注
CVPR 2022