基于 1-Lipschitz 神经网络与有符号距离函数的鲁棒单类分类
机器学习
2024-04-03 v2
摘要
我们提出了一种称为单类有符号距离函数（OCSDF）的新方法，通过可证明地学习任意分布支撑边界的有符号距离函数（SDF）来执行单类分类（OCC）。到支撑集的距离可解释为正态性分数，其使用 1-Lipschitz 神经网络的近似提供了针对 对抗攻击的鲁棒性界，这是基于深度学习的 OCC 算法中未被充分探索的弱点。因此，OCSDF 附带一个新的度量——认证 AUROC，其计算代价与任何经典 AUROC 相同。我们表明，OCSDF 在表格和图像数据上与同期方法具有竞争力，同时对对抗攻击更为鲁棒，印证了其理论性质。最后，作为探索性研究视角，我们从理论和经验上展示了 OCSDF 如何将 OCC 与图像生成和隐式神经表面参数化相联系。我们的代码可在 https://github.com/Algue-Rythme/OneClassMetricLearning 获取。
引用
@article{arxiv.2303.01978,
title = {Robust One-Class Classification with Signed Distance Function using 1-Lipschitz Neural Networks},
author = {Louis Bethune and Paul Novello and Thibaut Boissin and Guillaume Coiffier and Mathieu Serrurier and Quentin Vincenot and Andres Troya-Galvis},
journal= {arXiv preprint arXiv:2303.01978},
year = {2024}
}
备注
27 pages, 11 figures, International Conference on Machine Learning 2023, (ICML 2023)