PDA：面向深度神经网络通用鲁棒性的渐进式数据增强
机器学习
2020-02-25 v3 计算机视觉与模式识别
机器学习
摘要
对抗图像旨在误导深度神经网络（DNNs），近年来备受关注。尽管若干防御策略在对抗样本上取得了令人鼓舞的鲁棒性，但多数未能提升对常见 corruptions（如噪声、模糊及天气/数字效应（如霜冻、像素化））的鲁棒性。为此，我们提出一种简洁有效的方法——渐进式数据增强（PDA），通过在训练中逐步注入多样对抗噪声，实现DNNs的通用鲁棒性。换言之，经PDA训练的DNNs相比近期最优方法，对对抗攻击与常见 corruptions 均更具鲁棒性。我们还发现PDA比已有方法更高效，且能防止干净样本在无攻击时准确率下降。此外，我们从理论上证明PDA可控制扰动界并保证优于现有工作的泛化能力。在CIFAR-10、SVHN与ImageNet等大量基准上的广泛实验表明，PDA在各实验设定下均显著优于同类方法。
引用
@article{arxiv.1909.04839,
title = {PDA: Progressive Data Augmentation for General Robustness of Deep Neural Networks},
author = {Hang Yu and Aishan Liu and Xianglong Liu and Gengchao Li and Ping Luo and Ran Cheng and Jichen Yang and Chongzhi Zhang},
journal= {arXiv preprint arXiv:1909.04839},
year = {2020}
}