Rob-GAN：生成器、判别器与对抗攻击者
机器学习
2019-04-17 v3 人工智能
机器学习
摘要
我们研究了对抗深度学习中的两个重要概念——对抗训练与生成对抗网络（GAN）。对抗训练是通过在训练阶段将对抗攻击者与判别器结合来提高判别器鲁棒性的技术。GAN 通常通过联合优化判别器和生成器用于图像生成。我们表明这两个概念确实密切相关且可相互增强——在对抗训练过程中加入生成器可提升判别器的鲁棒性，而在 GAN 训练中引入对抗攻击可加快收敛速度并得到更好的生成器。结合这两点洞察，我们提出了一种称为 Rob-GAN 的框架，在存在对抗攻击的情况下联合优化生成器和判别器：生成器生成假图像以欺骗判别器；对抗攻击者扰动真实图像以欺骗判别器；判别器则力求在假图像和对抗图像下最小化损失。通过这一端到端训练过程，我们得以同时提升 GAN 训练的收敛速度、合成图像的质量以及判别器在强对抗攻击下的鲁棒性。实验结果表明，所得分类器比最先进的对抗训练方法更具鲁棒性，且生成器在 ImageNet-143 上优于 SN-GAN。
引用
@article{arxiv.1807.10454,
title = {Rob-GAN: Generator, Discriminator, and Adversarial Attacker},
author = {Xuanqing Liu and Cho-Jui Hsieh},
journal= {arXiv preprint arXiv:1807.10454},
year = {2019}
}
备注
CVPR'19 camera ready, project url: https://github.com/xuanqing94/RobGAN