用于鲁棒CNN的极化前端
机器学习
2020-02-25 v1 机器学习
信号处理
摘要
深度神经网络对微小的对抗性扰动设计的脆弱性可归因于其“过度的线性”。在本文中，我们提出一种自底向上的策略，利用对数据进行极化与量化的非线性前端来削弱对抗扰动。我们观察到理想极化可用于完全消除扰动，开发了学习数据近似极化基的算法，并在MNIST和Fashion MNIST数据集上研究了所提策略的有效性。
引用
@article{arxiv.2002.09580,
title = {Polarizing Front Ends for Robust CNNs},
author = {Can Bakiskan and Soorya Gopalakrishnan and Metehan Cekic and Upamanyu Madhow and Ramtin Pedarsani},
journal= {arXiv preprint arXiv:2002.09580},
year = {2020}
}
备注
Published in 45th International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2020)