利用自编码器预训练缓解射频深度分类器中的对抗样本
信号处理
2019-02-22 v1 机器学习
机器学习
摘要
机器学习中针对图像的对抗样本已被广泛报道和探讨。由轻微扰动输入导致误分类的示例比比皆是且广为人知（例如，一张熊猫图片被施加难以察觉的扰动，以欺骗分类器将其错误标记为长臂猿）。已发表的工作中，极少涉及针对射频（RF）信号的深度学习（DL）的类似攻击及其缓解策略。然而，具有最小波形扰动的射频对抗样本（AdExs）可导致剧烈的、有针对性的误分类结果，尤其针对频谱感知/勘测应用（例如 BPSK 被误判为 8-PSK）。我们关于深度学习对抗样本的研究及所提出的防御机制以射频为中心，并纳入了物理世界、空中（OTA）效应。我们在此提出基于使用自编码器预训练目标分类器的防御机制。我们的结果验证了该方法作为一种可行的缓解手段，可挫败针对基于深度学习的通信与雷达感知系统的对抗攻击。
引用
@article{arxiv.1902.08034,
title = {Mitigation of Adversarial Examples in RF Deep Classifiers Utilizing AutoEncoder Pre-training},
author = {Silvija Kokalj-Filipovic and Rob Miller and Nicholas Chang and Chi Leung Lau},
journal= {arXiv preprint arXiv:1902.08034},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1902.06044