通过通用鲁棒嵌入实现类别型数据可迁移的对抗鲁棒性
机器学习
2023-12-14 v2
摘要
对抗鲁棒性研究主要集中于图像与文本数据。然而，许多缺乏鲁棒性可能导致严重风险的场景，如欺诈检测、医疗诊断或推荐系统，往往并不依赖图像或文本，而是依赖表格数据。表格数据中的对抗鲁棒性带来两个严峻挑战。首先，表格数据集常含类别型特征，因此无法直接用现有优化流程处理。其次，在表格领域，基于非深度网络的算法被广泛使用且性能优异，但增强鲁棒性的算法专为神经网络设计（如对抗训练）。本文应对上述两挑战。我们提出一种方法，可训练表格数据的对抗鲁棒深度网络，并通过为类别型数据定制的通用鲁棒嵌入将该鲁棒性迁移至其他分类器。这些嵌入使用双层交替最小化框架创建，可迁移至提升树或随机森林，使其无需对抗训练即具鲁棒性，同时保持其在表格数据上的高准确率。我们表明，在实际适用于表格数据的威胁模型下，我们的方法优于现有技术。
引用
@article{arxiv.2306.04064,
title = {Transferable Adversarial Robustness for Categorical Data via Universal Robust Embeddings},
author = {Klim Kireev and Maksym Andriushchenko and Carmela Troncoso and Nicolas Flammarion},
journal= {arXiv preprint arXiv:2306.04064},
year = {2023}
}