面向神经网络分类中适度性能提升的对抗训练
机器学习
2018-07-03 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
已有研究表明，深度神经网络在推理过程中易受噪声样本尤其是对抗样本的干扰。现实应用中鲁棒深度学习系统与脆弱神经网络之间的差距仍然很大。当前的对抗训练策略提升了对抗样本的鲁棒性，然而这些方法在输入样本干净时会导致准确率下降，从而阻碍了实用性。在本文中，我们研究了一种保护神经网络分类免受对抗样本攻击并在输入样本干净时提升其准确率的方法。我们在多种不同网络与数据集上展示了我们所提方法的通用性与有效性。
引用
@article{arxiv.1807.00340,
title = {Towards Adversarial Training with Moderate Performance Improvement for Neural Network Classification},
author = {Xinhan Di and Pengqian Yu and Meng Tian},
journal= {arXiv preprint arXiv:1807.00340},
year = {2018}
}
备注
Accepted for publication in Uncertainty in Deep Learning Workshop at Uncertainty in Artificial Intelligence (UAI) 2018