利用集成方法提高对对抗样本的检测
计算机视觉与模式识别
2022-02-16 v3
摘要
计算机视觉和深度学习中的一个关键挑战是定义对抗样本检测的鲁棒策略。本文提出采用集成方法来利用多个检测器在利用输入数据不同属性方面的有效性。为此，ENsemble Adversarial Detector (ENAD) 框架集成了基于 Mahalanobis 距离、局部内在维度和单类支持向量机的 state-of-the-art 检测器的评分函数，这些检测器处理深度神经网络的隐藏特征。ENAD 旨在确保计算工作流程的高标准化和可重复性。重要的是，针对基准数据集、模型和对抗攻击的大量测试表明，ENAD 在大多数设置下均优于所有竞争方法。该框架在提高 state-of-the-art 方面的改进以及其内在的普遍性，该框架允许轻松将 ENAD 扩展以包括任何检测器集合，为新的对抗检测领域奠定了基础。
引用
@article{arxiv.2111.12631,
title = {Unity is strength: Improving the Detection of Adversarial Examples with Ensemble Approaches},
author = {Francesco Craighero and Fabrizio Angaroni and Fabio Stella and Chiara Damiani and Marco Antoniotti and Alex Graudenzi},
journal= {arXiv preprint arXiv:2111.12631},
year = {2022}
}
备注
Code is available at https://github.com/BIMIB-DISCo/ENAD-experiments