UNICAD：一种统一的攻击检测、噪声消除与新类识别方法
计算机视觉与模式识别
2024-06-25 v1 人工智能
机器学习
摘要
随着深度神经网络(DNN)的广泛应用，其对对抗性攻击的脆弱性以及在处理未见类问题上的局限性，成为面临的重要挑战。现有方法提供了针对特定对抗攻击场景、分类或动态学习问题的离散解决方案，但实际系统需要能够在不牺牲分类准确率的前提下检测和恢复各种对抗攻击，并在未见场景下灵活应对。本文提出了UNICAD作为一种新型框架，通过整合多种技术提供自适应解决方案。对于目标图像分类，UNICAD实现了准确的图像分类、检测未见类并从对抗攻击中恢复，采用基于原型和相似性的DNN结合去噪自编码器。我们在CIFAR-10数据集上进行的实验表明，UNICAD在对抗性缓解和未见类分类方面有效性优于传统模型。
引用
@article{arxiv.2406.16501,
title = {UNICAD: A Unified Approach for Attack Detection, Noise Reduction and Novel Class Identification},
author = {Alvaro Lopez Pellicer and Kittipos Giatgong and Yi Li and Neeraj Suri and Plamen Angelov},
journal= {arXiv preprint arXiv:2406.16501},
year = {2024}
}