基于粗到细张量网络表示的无模型对抗性纯化
机器学习
2025-02-26 v1
摘要
深度神经网络已知对精心设计的对抗性攻击十分脆弱。尽管提出了众多防御策略，但许多针对特定攻击或任务，往往难以在多样化情境中普遍有效。本文提出了张量网络纯化（Tensor Network Purification, TNP），一种通过特殊设计的张量网络分解算法实现的无模型对抗性纯化方法。TNP 既不依赖于预训练的生成模型，也不依赖于特定数据集，因而在多样化的对抗情境中展现出强大的鲁棒性。为此，关键挑战在于放宽经典分解中关于高斯噪声的假设，并容纳对抗扰动未知分布。与经典分解的低秩表示不同，TNP 旨在从对抗样本中重建未观测的干净样本。具体而言，TNP 利用分段下采样，并引入一种新的对抗优化目标，以解决在最小化重构误差的同时不不慎恢复对抗扰动的挑战。在 CIFAR-10、CIFAR-100 和 ImageNet 上的大量实验表明，我们的方法在各种范数威胁、攻击类型和任务上均能有效泛化，提供了一种通用且有前景的对抗性纯化技术。
引用
@article{arxiv.2502.17972,
title = {Model-Free Adversarial Purification via Coarse-To-Fine Tensor Network Representation},
author = {Guang Lin and Duc Thien Nguyen and Zerui Tao and Konstantinos Slavakis and Toshihisa Tanaka and Qibin Zhao},
journal= {arXiv preprint arXiv:2502.17972},
year = {2025}
}