鲁棒集成之道:基于局部Lipschitz的堆叠与装袋
机器学习
2022-06-02 v1 密码学与安全
摘要
近期研究证实,神经网络的局部Lipschitz常数直接影响其对抗鲁棒性。我们利用该关系构建神经网络集成,不仅提升准确率,还提供更强的对抗鲁棒性。推导了两种不同集成方法——装袋(bagging)与堆叠(stacking)——的局部Lipschitz常数,并推导出最适于确保对抗鲁棒性的架构。所提集成架构在白盒攻击FGSM与PGD下于MNIST和CIFAR-10数据集上进行了测试。发现所提架构比 a)单一网络以及 b)传统集成方法更为鲁棒。
引用
@article{arxiv.2206.00513,
title = {The robust way to stack and bag: the local Lipschitz way},
author = {Thulasi Tholeti and Sheetal Kalyani},
journal= {arXiv preprint arXiv:2206.00513},
year = {2022}
}