正则化可帮助缓解投毒攻击……前提是选对超参数

机器学习算法易受投毒攻击，即部分训练数据被篡改以削弱算法性能。我们指出，当前通常假设正则化超参数保持不变的方法，导致对算法鲁棒性及正则化影响的过度悲观估计。我们提出了一种考虑攻击对超参数影响的新颖最优攻击形式，将攻击建模为一个\emph{极小极大双层优化问题}。由此可构造最优攻击、选择超参数并在最坏情形下评估鲁棒性。我们将该形式应用于带$L_2$正则化的逻辑回归，实证展示了既往策略的局限，并证明使用$L_2$正则化减轻投毒攻击影响的好处。