对抗学习中的正则化集成与可迁移性
机器学习
2018-12-06 v1 计算机视觉与模式识别
机器学习
摘要
尽管卷积神经网络在广泛领域中取得了显著成功，近期研究表明它们易受小的对抗扰动（通常称为对抗样本）的影响。此外，此类样本已显示出显著的便携性，或可迁移性，从一个模型到另一个模型，从而实现高度成功的黑盒攻击。我们从两个维度探讨这一可迁移性与鲁棒性问题：首先，考虑常规 正则化的影响以及用线性支持向量机（SVM）替换顶层，其次，将正则化模型组合为集成的价值。我们表明，使用不同正则化器训练的模型对可迁移性构成了障碍，集成所含模型的局部信息也同样如此。
引用
@article{arxiv.1812.01821,
title = {Regularized Ensembles and Transferability in Adversarial Learning},
author = {Yifan Chen and Yevgeniy Vorobeychik},
journal= {arXiv preprint arXiv:1812.01821},
year = {2018}
}
备注
9 pages