鲁棒代理：通过鲁棒代理学习提升对抗鲁棒性
计算机视觉与模式识别
2023-06-28 v1 人工智能
摘要
近来，深度神经网络极易受对抗攻击破坏且高度脆弱已广为人知。为缓解对抗脆弱性，已有诸多防御算法被提出。近期，为提升对抗鲁棒性，许多工作试图通过对判别性特征施加更直接的监督来增强特征表示。然而，现有方法缺乏对学习对抗鲁棒特征表示的理解。本文中，我们提出一种称为鲁棒代理学习（Robust Proxy Learning）的新训练框架。在所提方法中，模型利用鲁棒代理显式学习鲁棒特征表示。为此，我们首先证明可通过添加类间鲁棒扰动生成类代表性的鲁棒特征，随后将这些类代表特征用作鲁棒代理。借助类间鲁棒特征，模型通过所提鲁棒代理学习框架显式学习对抗鲁棒特征。通过大量实验，我们验证了可手动生成鲁棒特征，且所提学习框架能提升深度神经网络的鲁棒性。
引用
@article{arxiv.2306.15457,
title = {Robust Proxy: Improving Adversarial Robustness by Robust Proxy Learning},
author = {Hong Joo Lee and Yong Man Ro},
journal= {arXiv preprint arXiv:2306.15457},
year = {2023}
}
备注
Accepted at IEEE Transactions on Information Forensics and Security (TIFS)