ReabsNet：检测与修正对抗样本
机器学习
2017-12-25 v1 密码学与安全
摘要
尽管深度神经网络在近期研究与应用取得巨大成功，其仍易受人不可察觉的对抗扰动所攻击。为解决此问题，我们提出一种称为 ReabsNet 的新颖网络，以在面对多种攻击时实现高分类准确率。该方法通过在一个现有分类网络上增附一个守护网络来检测样本是自然的还是已被对抗扰动，从而达成目标。关键在于，我们并非简单拒绝对抗样本，而是将其修正以获得真实标签。我们利用如下观察：含对抗扰动的样本在修正后有可能回归其真实类别。我们证明我们的 ReabsNet 在各种对抗攻击下优于最先进的防御方法。
引用
@article{arxiv.1712.08250,
title = {ReabsNet: Detecting and Revising Adversarial Examples},
author = {Jiefeng Chen and Zihang Meng and Changtian Sun and Wei Tang and Yinglun Zhu},
journal= {arXiv preprint arXiv:1712.08250},
year = {2017}
}