Oct, 2020

随机平滑的高阶认证

PDF
TL;DR该研究提出了一种框架，通过重新定义函数类来提高平滑分类器的认证安全区域，设计了高效、高可信度的估计器来计算相关统计信息，以实现比当前方法更大的认证安全区域，并且不需要使用数据相关的平滑技术。
randomized smoothingadversarial attackscertified safety regionnested optimization problemcertified radius calculation
发现论文，激发创造
  • 随机平滑的紧二阶证书

    提出一种新的 Second-order Smoothing (SoS) 方法，计算基于高斯随机采样函数的最近对抗例的距离下界，证明该证书的正确性且具有实现性。同时，提供一种高效的基于高斯 dipole 随机采样函数的证书计算方法，并在 CIFAR-10 和 ImageNet 等高维数据集上取得了略微提高的鲁棒性证书。

    Oct, 2020

  • 基于随机平滑的黑盒认证：一种基于函数优化的框架

    通过一种新的框架，使用非高斯噪声和更广泛类型的攻击来实现在深度学习中的认证鲁棒性，并且比之前的方法提供更好的认证结果和新的随机平滑方法的视角。

    Feb, 2020

  • 随机平滑用于稳健性保证的扩展和限制

    通过随机平滑来证明分类器决策对于对抗性噪声不变，同时对噪声稳健性的保证受到多种因素的影响，例如平滑度量之间的差异和拟合威胁模型的选择。此外，该研究证明随着 p 的增加，随机平滑受到了维度诅咒的影响。

    Jun, 2020

  • 通过随机平滑技术进行置信度认证

    本文提出了一种针对随机平滑后的分类器预测置信度的证明半径计算方法，利用平滑分布下预测置信度的概率分布信息，基于 Neyman-Pearson 引理，设计了一种计算置信度会高于某一阈值的证明半径估计方法，并在 CIFAR-10 和 ImageNet 数据集上实验表明，利用预测置信度的概率分布信息能够明显提升分类器的可证明鲁棒性。

    Sep, 2020

  • 投影随机平滑实现认证对抗鲁棒性

    通过在低维投影空间中执行随机平滑，我们能够表征在高维输入空间中的平滑复合分类器的认证区域并证明其体积的可行下界。我们在 CIFAR-10 和 SVHN 上进行了实验证明分类器在没有初始投影时容易受到正常与数据流形法线相交的扰动，并且这些扰动被我们的方法的认证区域捕捉到。我们将我们认证区域的体积与各种基准进行比较，并证明我们的方法在数量级上优于现有技术。

    Sep, 2023

  • 随机平滑在可证明鲁棒性中的维数诅咒

    该研究论文使用 i.i.d. 平滑分布技术进行随机平滑，证明了在高维度情况下使用该技术，防御不同攻击模型会有一定挑战，并有类似到 isotropic Gaussian 平滑的最优结果。

    Feb, 2020

  • 各种形状和尺寸的随机平滑

    提出一种新的随机平滑框架，可以推导并分析各种度量标准的优化平滑分布，提供了两种方法来推导任何平滑分布的证明性鲁棒半径，并通过 Banach 空间类型的理论展示了当前随机平滑技术的局限性。

    Feb, 2020

  • 随机平滑实现认证的对抗鲁棒性

    论文介绍了如何通过随机光滑化技术来提高分类器对抗扰动的鲁棒性，使用该方法得到的 ImageNet 分类器在扰动范围小于 0.5 的情况下，具有 49％的认证准确率，并且该方法在获得更高的认证准确率方面比其他方法更具优势。

    Feb, 2019

  • 增强随机平滑的 Lipschitz - 方差 - 边缘权衡

    深度神经网络的现实应用受到噪声输入和对抗性攻击时的预测不稳定性的限制。本文介绍了一种基于随机平滑的框架，通过将噪声注入输入来获得平滑且更加鲁棒的分类器，并引入了一种不同的简单投影技术来增加认证半径，利用 Lipschitz 常数和边界的权衡。实验结果表明，与当前最先进的方法相比，我们的新型认证过程在认证准确性上取得了显著提高，有效改善了当前的认证半径。

    Sep, 2023

  • 可证明鲁棒性的随机平滑分类器的规则化训练和紧密认证

    本文研究了如何通过正则化风险函数以提高深度神经网络的准确性和稳健性，并提出了一种新的认证算法，能够对 CIFAR-10 和 ImageNet 数据集中的深度神经网络提供更严格的稳健性保证。

    Feb, 2020