理解对抗鲁棒分类器的生成能力
机器学习
2021-09-15 v2 计算机视觉与模式识别
摘要
最近，一些工作发现了一种有趣的现象：对抗鲁棒分类器能够生成可与生成模型媲美的良好图像。我们从能量的角度研究这一现象并给出一种新颖的解释。我们用能量函数重新表述对抗样本生成、对抗训练与图像生成。我们发现，对抗训练有助于获得一个在真实数据附近平坦且低能量的能量函数，这正是生成能力的关键。基于我们的新理解，我们进一步提出了一种更好的对抗训练方法——联合能量对抗训练（JEAT），该方法能生成高质量图像，并在广泛攻击下达到新的最先进鲁棒性。JEAT 生成的图像（CIFAR-10）的 Inception Score 为 8.80，远优于原始鲁棒分类器（7.50）。
引用
@article{arxiv.2108.09093,
title = {Towards Understanding the Generative Capability of Adversarially Robust Classifiers},
author = {Yao Zhu and Jiacheng Ma and Jiacheng Sun and Zewei Chen and Rongxin Jiang and Zhenguo Li},
journal= {arXiv preprint arXiv:2108.09093},
year = {2021}
}
备注
Accepted by ICCV 2021, Oral