具有更丰富深度特征层次的鲁棒提升森林
计算机视觉与模式识别
2022-11-01 v1 机器学习
应用统计
摘要
我们针对各种对抗防御方法提出一种鲁棒的提升森林变体，并将其应用于增强深度神经网络的鲁棒性。我们保留深度网络架构、权重与中间层特征，随后安装梯度提升森林以从深度网络各层选取特征并预测目标。在训练每棵决策树时，我们提出一种新颖的保守与贪婪权衡，考虑更少误预测而非纯增益函数，从而具有次优与保守性。我们主动增加树深度以通过更多特征上的分裂来补救精度，在树深生长上更为贪婪。我们提出了一项关于 3D 人脸模型的新任务，尽管人脸分析涉及重大安全与隐私问题，其鲁棒性尚未被仔细研究。我们在纯卷积神经网络（CNN）人脸形状估计器上尝试了一种简单攻击方法，使其退化为仅输出平均人脸形状且伴随不可见扰动。我们的保守-贪婪提升森林（CGBF）在人脸关键点数据集上于对抗攻击下相较原始纯深度学习方法显示出巨大改进。
引用
@article{arxiv.2210.16451,
title = {Robust Boosting Forests with Richer Deep Feature Hierarchy},
author = {Jianqiao Wangni},
journal= {arXiv preprint arXiv:2210.16451},
year = {2022}
}