面向对抗鲁棒性的神经架构扩张
计算机视觉与模式识别
2021-08-17 v1 人工智能
机器学习
摘要
随着过去几十年卷积神经网络（CNNs）在架构和规模上的巨大进步，它们在某些任务上可轻松达到甚至超越人类表现。然而，CNNs 最近被发现的一个缺陷是它们易受对抗攻击。尽管可通过对抗训练提升 CNNs 的对抗鲁棒性，但标准精度与对抗鲁棒性之间存在权衡。本文从神经架构的角度出发，旨在改善具有满意精度的骨干 CNNs 的对抗鲁棒性。在最小计算开销下，引入扩张架构有望在追求对抗鲁棒性的同时不影响骨干 CNN 的标准性能。对标准误差界与对抗误差界的理论分析自然催生了所提出的神经架构扩张算法。在真实数据集与基准神经网络上的实验结果证明了该算法在平衡精度与对抗鲁棒性方面的有效性。
引用
@article{arxiv.2108.06885,
title = {Neural Architecture Dilation for Adversarial Robustness},
author = {Yanxi Li and Zhaohui Yang and Yunhe Wang and Chang Xu},
journal= {arXiv preprint arXiv:2108.06885},
year = {2021}
}
备注
9 pages of main text, 5 pages of appendix, 4 figures, 9 tables