对抗训练卷积神经网络的特性研究
计算机视觉与模式识别
2022-03-18 v1 机器学习
摘要
对抗训练已被证明是一种有效的训练范式，可增强现代神经网络架构对对抗样本的鲁棒性。尽管已有诸多努力，关于对抗训练有效性的基本原理的解释仍然有限，且远未被深度学习界广泛接受。在本文中，我们描述了对抗训练模型的惊人特性，揭示了其实现对抗攻击鲁棒性的机制。此外，我们强调了影响这些模型的、先前工作未讨论过的局限性与失效模式。我们在广泛的架构和数据集上进行了大量分析，对鲁棒模型与自然模型进行了深入比较。
引用
@article{arxiv.2203.09243,
title = {On the Properties of Adversarially-Trained CNNs},
author = {Mattia Carletti and Matteo Terzi and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2203.09243},
year = {2022}
}