面向对抗鲁棒性的可扩展输入梯度正则化
机器学习
2019-10-07 v2 密码学与安全
计算机视觉与模式识别
机器学习
摘要
在本工作中，我们以若干新要素重访用于对抗鲁棒性的梯度正则化。首先，我们基于局部梯度信息推导了新的逐图像理论鲁棒性界。这些界强有力地支持了输入梯度正则化。其次，我们实现了避免双重反向传播的可扩展版输入梯度正则化：在四块消费级 GPU 上以 33 小时训练出对抗鲁棒的 ImageNet 模型。最后，我们通过实验与理论认证表明输入梯度正则化可与对抗训练相竞争。此外我们证明梯度正则化不会导致梯度混淆或梯度掩蔽。
引用
@article{arxiv.1905.11468,
title = {Scaleable input gradient regularization for adversarial robustness},
author = {Chris Finlay and Adam M Oberman},
journal= {arXiv preprint arXiv:1905.11468},
year = {2019}
}