用于噪声与对抗攻击鲁棒性的权重映射层
机器学习
2020-12-03 v2 机器学习
摘要
卷积神经网络（CNN）因其在视觉相关任务中的良好性能与泛化能力而广为人知，并已成为应用与科研领域的最先进方法。然而，正如其他神经网络模型一样，它们易受噪声与对抗攻击的影响。对抗防御旨在通过学习的或架构的修改来降低神经网络对对抗攻击的敏感性。我们提出权重映射层（WM）作为 CNN 的通用架构附加模块，并表明其可增强模型对噪声与对抗攻击的鲁棒性。我们进一步解释，两种 WM 变体的增强鲁棒性源于该层表现出的自适应激活方差放大。我们展示了 WM 层可集成到放大模型中以提升其噪声与对抗攻击鲁棒性，同时在多个数据集上达到可比的准确率水平。
引用
@article{arxiv.1905.00568,
title = {Weight Map Layer for Noise and Adversarial Attack Robustness},
author = {Mohammed Amer and Tomás Maul},
journal= {arXiv preprint arXiv:1905.00568},
year = {2020}
}