TEAM：一种基于泰勒展开的对抗样本生成方法
机器学习
2020-03-26 v2 机器学习
摘要
尽管深度神经网络（DNNs）已在许多领域获得成功应用，它们仍易受对抗样本攻击。对抗训练是提高DNNs鲁棒性的最有效方法之一，通常被视为求解一个最小化风险并最大化扰动的不动点问题。因此，强大的对抗样本可有效复现扰动最大化的情形以求解该不动点问题。本文提出的方法利用泰勒展开近似DNNs在输入邻域内的输出，随后使用拉格朗日乘子法对其进行优化以生成对抗样本。若将其用于对抗训练，可有效正则化DNNs并改善模型的缺陷。
引用
@article{arxiv.2001.08389,
title = {TEAM: An Taylor Expansion-Based Method for Generating Adversarial Examples},
author = {Ya-guan Qian and Xi-Ming Zhang and Wassim Swaileh and Li Wei and Bin Wang and Jian-Hai Chen and Wu-Jie Zhou and Jing-Sheng Lei},
journal= {arXiv preprint arXiv:2001.08389},
year = {2020}
}
备注
25 pages,5 figures,3 tables