RobCaps：评估胶囊网络对仿射变换与对抗攻击的鲁棒性
机器学习
2023-04-26 v2
摘要
胶囊网络（CapsNets）能够分层保留多个对象之间的位姿关系以用于图像分类任务。除了实现高准确率外，在安全关键应用中部署 CapsNets 的另一个相关因素是其对输入变换和恶意对抗攻击的鲁棒性。在本文中，我们系统地分析和评估了影响 CapsNets 鲁棒性的不同因素，并与传统的卷积神经网络（CNNs）进行比较。为进行全面比较，我们在 MNIST、GTSRB 和 CIFAR10 数据集以及这些数据集的仿射变换版本上测试了两种 CapsNet 模型和两种 CNN 模型。通过深入分析，我们展示了这些架构的哪些特性更有助于提升鲁棒性及其局限性。总体而言，与参数数量相近的传统 CNN 相比，CapsNets 对对抗样本和仿射变换实现了更好的鲁棒性。对于更深的 CapsNets 和 CNNs 也得出了类似结论。此外，我们的结果揭示了一个关键发现：动态路由对提升 CapsNets 的鲁棒性贡献不大。实际上，主要的泛化贡献来自于通过胶囊的分层特征学习。
引用
@article{arxiv.2304.03973,
title = {RobCaps: Evaluating the Robustness of Capsule Networks against Affine Transformations and Adversarial Attacks},
author = {Alberto Marchisio and Antonio De Marco and Alessio Colucci and Maurizio Martina and Muhammad Shafique},
journal= {arXiv preprint arXiv:2304.03973},
year = {2023}
}
备注
To appear at the 2023 International Joint Conference on Neural Networks (IJCNN), Queensland, Australia, June 2023