广义学习矢量量化模型对对抗攻击的鲁棒性
机器学习
2019-06-12 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
对抗攻击以及开发对其鲁棒的（深度）神经网络目前是两个被广泛研究的课题。然而，学习矢量量化（LVQ）模型对对抗攻击的鲁棒性尚未得到同等程度的研究。因此我们提出对三种 LVQ 模型——广义 LVQ、广义矩阵 LVQ 与广义切向 LVQ——的广泛评估。评估表明，广义 LVQ 与广义切向 LVQ 均具有较高基础鲁棒性，与当前鲁棒神经网络方法中的最优水平相当。与此相反，广义矩阵 LVQ 表现出对对抗攻击的高度易感性，得分持续落后于所有其他模型。此外，我们的数值评估表明，增加每类原型的数量可改善模型的鲁棒性。
引用
@article{arxiv.1902.00577,
title = {Robustness of Generalized Learning Vector Quantization Models against Adversarial Attacks},
author = {Sascha Saralajew and Lars Holdijk and Maike Rees and Thomas Villmann},
journal= {arXiv preprint arXiv:1902.00577},
year = {2019}
}
备注
to be published in 13th International Workshop on Self-Organizing Maps and Learning Vector Quantization, Clustering and Data Visualization