UniCR：基于随机平滑的普适近似认证鲁棒性
机器学习
2022-07-12 v2
摘要
我们研究机器学习分类器针对对抗扰动的认证鲁棒性。具体而言，我们提出首个普适近似认证鲁棒性（UniCR）框架，该框架可利用任意连续概率分布生成的噪声，近似任意输入在任意分类器上针对任意 扰动的鲁棒性认证。相较于最先进的认证防御，UniCR具有诸多显著优势：（1）针对上述四个“任意”的首个通用鲁棒性认证框架；（2）避免逐例分析的自动化鲁棒性认证；（3）认证鲁棒性的紧性验证；（4）随机平滑所用噪声分布的最优性验证。我们进行了大量实验，以验证UniCR的上述优势及其相对于最先进 扰动认证防御的优越性。
引用
@article{arxiv.2207.02152,
title = {UniCR: Universally Approximated Certified Robustness via Randomized Smoothing},
author = {Hanbin Hong and Binghui Wang and Yuan Hong},
journal= {arXiv preprint arXiv:2207.02152},
year = {2022}
}
备注
Accepted by ECCV2022