关于胸部 X 光分类对抗鲁棒性评估：陷阱与最佳实践
图像与视频处理
2022-12-19 v1 计算机视觉与模式识别
机器学习
摘要
对对抗攻击的脆弱性是深度神经网络的已知弱点。尽管大多数研究关注具有 ImageNet 和 CIFAR 等标准化基准的自然图像，鲜有研究考虑现实世界应用，尤其是医学领域。我们的研究表明，与先前主张相反，胸部 X 光分类的鲁棒性要难评估得多，并且基于数据集、架构和鲁棒性度量会产生极为不同的评估结论。我们认为先前研究未考虑医学诊断的特殊性，如疾病共现、标注者（领域专家）间的不一致、攻击的威胁模型以及每次成功攻击的风险含义。本文讨论了方法学基础，回顾了陷阱与最佳实践，并提出了评估胸部 X 光分类模型鲁棒性的新方法学考量。我们在 3 个数据集、7 个模型和 18 种疾病上的评估是迄今规模最大的胸部 X 光分类模型鲁棒性评估。
引用
@article{arxiv.2212.08130,
title = {On Evaluating Adversarial Robustness of Chest X-ray Classification: Pitfalls and Best Practices},
author = {Salah Ghamizi and Maxime Cordy and Michail Papadakis and Yves Le Traon},
journal= {arXiv preprint arXiv:2212.08130},
year = {2022}
}