Feb, 2019

基于 PyTorch 的对抗性鲁棒性工具箱 advertorch v0.1

PDF
TL;DRadvertorch 是一个用于对抗鲁棒性研究的工具箱，它包含多种攻击、防御和鲁棒训练方法的实现，并构建在 PyTorch 之上，利用动态计算图的优势提供简洁高效的参考实现。
发现论文，激发创造
  • Torchattacks：一个用于 PyTorch 的对抗攻击库

    Torchattacks 是一个 PyTorch 库，其中包含对抗性攻击来生成对抗性示例并验证深度学习模型的鲁棒性。

    Sep, 2020

  • 对抗性鲁棒性工具箱 v1.0.0

    Adversarial Robustness Toolbox 是一个 Python 库，旨在帮助开发者和研究人员保卫机器学习模型，使其更加安全可靠，包括对付针对模型的对抗样本的防御工具、攻击模块以及针对模型鲁棒性的验证方法和硬化方法等。

    Jul, 2018

  • DeepRobust: 一个用于对抗攻击和防御的 PyTorch 库

    DeepRobust 是一个用于 PyTorch 的对抗学习库，包含图像领域中超过 10 个攻击算法和 8 个防御算法，以及图领域中的 9 个攻击算法和 4 个防御算法，并支持多种深度学习架构。

    May, 2020

  • 异常鲁棒性对抗训练

    基于异常值健壮的对抗训练（ORAT）是在传统健壮学习方法和最近的对抗训练方法的基础上开发的，以同时处理低质量训练数据和推理时的敌对攻击，并在三个基准数据集上展示了其有效性和鲁棒性。

    Sep, 2023

  • 一个标准的对抗鲁棒性基准测试 RobustBench

    为了建立标准化的对抗性鲁棒性基准，我们考虑了图片分类任务，并引入了允许的模型限制，使用 AutoAttack 进行评估，同时提供 80 多种鲁棒模型的开源库，分析了鲁棒性对分布偏移、平滑性等性能的影响。

    Oct, 2020

  • 朝向对抗鲁棒目标检测

    本研究从模型鲁棒性的角度出发，对目标检测模型和对抗攻击进行了系统分析，提出了一种多任务学习的视角和不对称的任务损失，并进一步开发了一种基于多种攻击源提高检测模型鲁棒性的对抗训练方法，实验证明了其有效性。

    Jul, 2019

  • Advbox：生成欺骗神经网络的对抗样本工具箱

    近年来，神经网络被广泛应用于计算机视觉任务，然而最近的研究表明它们都容易受到对抗性样本的攻击。该研究提供了一种名为 Advbox 的工具箱来生成对抗性样本，并支持 Python 3 以在多个机器学习框架中使用，该工具箱还支持黑盒攻击和针对不同的攻击场景， 如人脸识别攻击，防护服攻击和 DeepFake 攻击的评估。

    Jan, 2020

  • 认证鲁棒神经网络：泛化和抗污染性

    通过提出综合强健的（HR）训练程序，理论和实验证明了其在对抗错误损失方面具有 SOTA 性能，并克服了在敌对训练中普遍存在的过度拟合问题。

    Mar, 2023

  • 一个多分类提升框架，实现快速和可证明的对抗鲁棒性

    本文提出了一种多类别增强框架来确保对抗鲁棒性，通过将鲁棒性要求加入损失函数并使用被对抗性破坏的输入进行随机梯度下降步骤，证明在弱训练预测器的情况下可以实现鲁棒性，实验证明对抗鲁棒的多类别增强不仅优于最先进的方法，而且训练所需时间极少。

    Mar, 2021

  • 物体检测中的类别感知鲁棒性对抗训练

    本文提出一种新颖的、针对目标检测任务的类感知鲁棒性对抗训练范式，旨在提高目标检测模型的鲁棒性，并通过广泛实验验证了该方法的有效性。

    Mar, 2021