超越$\ell_p$度量的鲁棒性评估优化

Hengyue Liang; Buyun Liang; Ying Cui; Tim Mitchell; Ju Sun

超越$\ell_p$度量的鲁棒性评估优化

机器学习 2022-11-15 v2 计算机视觉与模式识别信号处理最优化与控制

作者: Hengyue Liang , Buyun Liang , Ying Cui , Tim Mitchell , Ju Sun

摘要

针对对抗攻击的深度学习模型的经验评估需要求解非平凡的约束优化问题。求解这些约束问题的流行算法依赖于投影梯度下降（PGD）并需要仔细调优多个超参数。此外，由于使用解析投影算子，PGD只能处理 $\ell_1$ 、 $\ell_2$ 和 $\ell_\infty$ 攻击模型。在本文中，我们引入了一种新颖的算法框架，将通用约束优化求解器PyGRANSO与约束折叠（PWCF）相融合，以增添鲁棒性评估的可靠性和通用性。PWCF 1）无需精细的超参数调优即可找到高质量解，且2）可处理通用攻击模型，例如通用 $\ell_p$ （ $p \geq 0$ ）和感知攻击，这些是PGD类算法无法处理的。

关键词

对抗鲁棒性约束优化投影梯度下降 PyGRANSO 约束折叠感知攻击

引用

@article{arxiv.2210.00621,
  title  = {Optimization for Robustness Evaluation beyond $\ell_p$ Metrics},
  author = {Hengyue Liang and Buyun Liang and Ying Cui and Tim Mitchell and Ju Sun},
  journal= {arXiv preprint arXiv:2210.00621},
  year   = {2022}
}

备注

5 pages, 1 figure, 3 tables, accepted by the 14th International OPT Workshop on Optimization for Machine Learning, and submitted to the 2023 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2023)

超越$\ell_p$度量的鲁棒性评估优化

摘要

关键词

引用

备注

相关论文