提升随机平滑鲁棒性的两种经济有效方法
机器学习
2023-10-13 v1
摘要
随机平滑近期在对抗鲁棒性领域受到关注，可为平滑神经网络分类器提供可证明的鲁棒性保证。然而，已有工作表明，原始随机平滑通常不能提供良好的鲁棒性表现，且往往需要对基分类器进行（重新）训练技术以提升所得平滑分类器的鲁棒性。在本工作中，我们提出两种经济有效的方法，在保持干净性能的同时提升随机平滑的鲁棒性。第一种方法引入了一种新的鲁棒训练方法 AdvMacer，其结合了针对随机平滑的对抗训练与鲁棒性认证最大化。我们表明，与 SOTA 基线相比，AdvMacer 能提升随机平滑分类器的鲁棒性表现，同时训练速度比 MACER 基线快 3 倍。第二种方法引入了一种后处理方法 EsbRS，其基于构建模型集成大幅提升了鲁棒性证书。我们探索了先前工作未研究的模型集成的不同方面，并基于我们的理论分析提出了一种新颖的设计方法论以进一步提升集成的鲁棒性。
引用
@article{arxiv.2310.07780,
title = {Promoting Robustness of Randomized Smoothing: Two Cost-Effective Approaches},
author = {Linbo Liu and Trong Nghia Hoang and Lam M. Nguyen and Tsui-Wei Weng},
journal= {arXiv preprint arXiv:2310.07780},
year = {2023}
}