面向高效以数据为中心的鲁棒机器学习：基于噪声的增强方法
机器学习
2022-03-09 v1 人工智能
密码学与安全
摘要
以数据为中心的机器学习旨在寻找有效方法来构建合适的数据集，从而提升 AI 模型的性能。本文中，我们主要聚焦于设计一种高效的以数据为中心的方案，以提升模型在黑盒测试设定下针对未知恶意输入的鲁棒性。具体而言，我们引入了一种基于噪声的数据增强方法，其由高斯噪声、椒盐噪声和 PGD 对抗扰动组成。所提方法构建于轻量级算法之上，并基于综合评估被证明极为有效，在计算成本和鲁棒性增强方面表现出良好效率。此外，我们分享了从实验中获得的关于以数据为中心的鲁棒机器学习的见解。
引用
@article{arxiv.2203.03810,
title = {Towards Efficient Data-Centric Robust Machine Learning with Noise-based Augmentation},
author = {Xiaogeng Liu and Haoyu Wang and Yechao Zhang and Fangzhou Wu and Shengshan Hu},
journal= {arXiv preprint arXiv:2203.03810},
year = {2022}
}
备注
Competition paper of AAAI2022:Data-Centric Robust Learning on ML Models. Published in Workshop on Adversarial Machine Learning and Beyond at AAAI2022