针对支持向量机的三类对抗扰动的优化模型与解释
机器学习
2022-04-08 v1 最优化与控制
摘要
对抗扰动在各种深度神经网络中引起了极大关注。其中大多数通过对抗迭代计算且难以很好解释。相比之下，针对支持向量机等基础机器学习模型的关注甚少。本文研究了针对支持向量机的三类对抗扰动的优化模型与解释，包括样本对抗扰动（sAP）、类通用对抗扰动（cuAP）以及通用对抗扰动（uAP）。对于线性二分类/多分类支持向量机（SVMs），我们推导了 sAP、cuAP 与 uAP（二分类情形）的显式解，以及多分类 uAP 的近似解。我们还得到了 uAP 欺骗率的上界。这些结果不仅提升了三类对抗扰动的可解释性，也因可避免迭代过程而极大便利了计算。数值结果表明，我们的方法在计算三类对抗扰动时快速且有效。
引用
@article{arxiv.2204.03154,
title = {Optimization Models and Interpretations for Three Types of Adversarial Perturbations against Support Vector Machines},
author = {Wen Su and Qingna Li and Chunfeng Cui},
journal= {arXiv preprint arXiv:2204.03154},
year = {2022}
}