鲁棒性原则：对抗鲁棒 CNN 的架构设计原则
计算机视觉与模式识别
2023-09-04 v2
摘要
我们的研究旨在统一现有工作关于架构组件如何影响 CNN 对抗鲁棒性的分歧观点。为实现这一目标，我们综合了一套三个可泛化的鲁棒架构设计原则：(a) 深度和宽度配置的最优范围，(b) 偏好卷积词干阶段而非分块词干阶段，以及 (c) 通过采用压缩激励块和非参数平滑激活函数实现鲁棒残差块设计。通过在数据集规模、对抗训练方法、模型参数和网络设计空间的广泛实验，我们的原则持续且显著地提升了 AutoAttack 准确率：在 CIFAR-10 和 CIFAR-100 上提升 1-3 个百分点（pp），在 ImageNet 上提升 4-9 个百分点。代码公开于 https://github.com/poloclub/robust-principles。
引用
@article{arxiv.2308.16258,
title = {Robust Principles: Architectural Design Principles for Adversarially Robust CNNs},
author = {ShengYun Peng and Weilin Xu and Cory Cornelius and Matthew Hull and Kevin Li and Rahul Duggal and Mansi Phute and Jason Martin and Duen Horng Chau},
journal= {arXiv preprint arXiv:2308.16258},
year = {2023}
}
备注
Published at BMVC'23