先验 Lipschitz 连续性对贝叶斯神经网络对抗鲁棒性的影响
机器学习
2021-01-08 v1 机器学习
摘要
机器学习模型对对抗攻击具有鲁棒性是可取的，且常常是必需的。对于贝叶斯模型而言尤其如此，因为它们非常适合安全关键应用，其中对抗攻击可能导致灾难性后果。在这项工作中，我们深入考察贝叶斯神经网络（BNNs）的对抗鲁棒性。特别地，我们考虑 BNN 的对抗鲁棒性是否可通过模型选择（尤其是先验所诱导的 Lipschitz 连续性）来增强。对独立同分布、零均值高斯先验以及通过平均场变分推断近似的后验进行深入分析，我们发现证据表明对抗鲁棒性确实对先验方差敏感。
引用
@article{arxiv.2101.02689,
title = {The Effect of Prior Lipschitz Continuity on the Adversarial Robustness of Bayesian Neural Networks},
author = {Arno Blaas and Stephen J. Roberts},
journal= {arXiv preprint arXiv:2101.02689},
year = {2021}
}
备注
4 pages, 2 tables, AAAI 2021 Workshop Towards Robust, Secure and Efficient Machine Learning