鲁棒且准确——面向随机平滑的组合式架构
机器学习
2022-04-04 v1 人工智能
密码学与安全
摘要
随机平滑（RS）被认为是为具有挑战性的任务获得可认证鲁棒模型的最先进方法。然而，当前的 RS 方法在未受扰动数据上的标准准确率大幅下降，严重限制了其实际效用。为解决这一局限，我们提出了一种组合式架构 ACES，它可逐样本地可认证决定是否使用平滑模型（提供带保证的预测）或更准确但无保证的标准模型。与先前方法不同，这使得模型同时具备高标准准确率和显著的可证明鲁棒性。在 ImageNet 等具有挑战性的任务上，我们取得了例如 的自然准确率和针对 扰动（）的 可认证准确率。我们的代码与模型发布于 https://github.com/eth-sri/aces。
引用
@article{arxiv.2204.00487,
title = {Robust and Accurate -- Compositional Architectures for Randomized Smoothing},
author = {Miklós Z. Horváth and Mark Niklas Müller and Marc Fischer and Martin Vechev},
journal= {arXiv preprint arXiv:2204.00487},
year = {2022}
}
备注
Presented at the ICLR 2022 Workshop on Socially Responsible Machine Learning