通过多面体包络正则化训练可证明鲁棒模型
机器学习
2021-09-21 v3 机器学习
摘要
训练可认证的神经网络使人能够获得针对对抗攻击具有鲁棒性保证的模型。在这项工作中，我们引入了一个框架，通过多面体包络在输入数据邻域内界定无对抗区域，从而产生更细粒度的认证鲁棒性。我们进一步引入多面体包络正则化（PER）以鼓励更大的多面体包络，从而改善模型的可证明鲁棒性。我们在标准基准上展示了我们框架的灵活性与有效性；它适用于不同架构的网络和通用激活函数。与最先进的方法相比，PER 的计算开销非常小，并且在不对模型过度正则化的前提下具有更好的鲁棒性保证。
引用
@article{arxiv.1912.04792,
title = {Training Provably Robust Models by Polyhedral Envelope Regularization},
author = {Chen Liu and Mathieu Salzmann and Sabine Süsstrunk},
journal= {arXiv preprint arXiv:1912.04792},
year = {2021}
}