VQUNet：通过正则化不期望噪声防御对抗攻击的向量量化U-Net
计算机视觉与模式识别
2024-06-06 v1
摘要
深度神经网络（DNN）已成为开发人工智能（AI）和机器学习（ML）应用时的一种有前途的范式。然而，DNN应用容易受到使用对抗攻击算法精心制作的虚假数据的攻击。在对抗攻击下，DNN应用的预测精度受到影响，使其不可靠。为了防御对抗攻击，我们引入了一种新颖的降噪程序——向量量化U-Net（VQUNet），以减少对抗噪声并高保真地重建数据。VQUNet通过多尺度层次结构进行离散潜在表示学习，同时用于降噪和数据重建。实验表明，所提出的VQUNet为目标DNN模型提供了更好的鲁棒性，并且在Fashion-MNIST和CIFAR10数据集上，在各种对抗攻击下优于其他最先进的基于降噪的防御方法。在没有对抗攻击时，该防御方法在两个数据集上的精度下降均小于1%。
引用
@article{arxiv.2406.03117,
title = {VQUNet: Vector Quantization U-Net for Defending Adversarial Atacks by Regularizing Unwanted Noise},
author = {Zhixun He and Mukesh Singhal},
journal= {arXiv preprint arXiv:2406.03117},
year = {2024}
}
备注
8 pages, 6 figures