RAILS:一种鲁棒的抗 adversarial 免疫启发学习系统
机器学习
2020-12-22 v1 人工智能
摘要
针对深度神经网络的对抗攻击不断演化。若无有效防御,它们可能导致灾难性失败。历史悠久且可说最强大的自然防御系统是哺乳动物免疫系统,数百万年来成功防御了新型病原体的攻击。本文中,我们提出一种新的对抗防御框架,称为鲁棒对抗免疫启发学习系统(RAILS)。RAILS 包含自适应免疫系统仿真(AISE),其在硅中仿真用于防御宿主免受病原体攻击的生物机制。我们使用 RAILS 强化 Deep k-Nearest Neighbor (DkNN) 架构以抵御规避攻击。进化编程用于仿真自然免疫系统中的过程:B 细胞集群、克隆扩增与亲和力成熟。我们展示 RAILS 的学习曲线表现出与我们在体外生物实验中观察到的类似多样性-选择学习阶段。当应用于三个不同数据集上的对抗图像分类时,与单独使用 DkNN 相比,RAILS 额外提供了 5.62%/12.56%/4.74% 的鲁棒性提升,且在干净数据上无明显精度损失。
引用
@article{arxiv.2012.10485,
title = {RAILS: A Robust Adversarial Immune-inspired Learning System},
author = {Ren Wang and Tianqi Chen and Stephen Lindsly and Alnawaz Rehemtulla and Alfred Hero and Indika Rajapakse},
journal= {arXiv preprint arXiv:2012.10485},
year = {2020}
}