Feb, 2024

您的扩散模型实际上是一个可证实稳健分类器

PDF
TL;DR通过推导证据下界（ELBO）来对高斯污染数据的扩散分类器进行泛化，将其与随机光滑化相结合，构建具有非常数 Lipschitz 性质的平滑分类器，实现了 80％+ 和 70％+ 的在 CIFAR-10 上扰动小于 0.25 和 0.5 的认证稳健性。
diffusion classifierscertified robustnessnoised diffusion classifiersgaussian-corrupted datarandomized smoothing
发现论文，激发创造
  • 单一扩散模型实现鲁棒分类

    本文提出了一种鲁棒扩散分类器 (Robust Diffusion Classifier, RDC)，它是一个基于预训练扩散模型构建的生成分类器，可以更好地应对未知威胁并实现识别准确率的提高

    May, 2023

  • 困扰于对抗防御？尝试扩散

    通过使用扩散模型并遵循贝叶斯定理，我们提出了真实性最大化扩散分类器（TMDC），该分类器不受数据漂移和敌对训练的影响，并且采用一个优化策略以提高其对更强大敌对攻击的鲁棒性，该方法在 CIFAR10 数据集上实现了最先进的性能。

    Apr, 2024

  • 多尺度扩散去噪平滑

    通过多尺度平滑和扩散模型，本论文研究了平滑方法的准确性和认证鲁棒性之间的平衡，以实现对大规模模型的对抗性稳健性。

    Oct, 2023

  • 基于扩散模型的认证对抗性容忍度提高

    使用最先进的扩散模型生成额外的训练数据可以极大地提高敌对训练的鲁棒性，该方法同样可以明显提高确定性认证防御的鲁棒性，我们还提供了一些建议来扩展认证训练方法的鲁棒性。

    May, 2023

  • DensePure: 理解扩散模型以提高对抗鲁棒性

    通过分析扩散模型的基本属性，建立它们能够提高认证鲁棒性的条件，进而提出了新的 DensePure 方法。DensePure 包括多个通过扩散模型的反向过程（具有不同随机因素）的去噪运行，用于消除对抗性输入。最终预测结果是通过对推断标签的多数投票得出的，其设计受到了对反向样本的条件分布的理论分析的启发。

    Nov, 2022

  • DiffSmooth: 基于扩散模型和局部平滑的可证明鲁棒学习

    通过扩散模型实现对强健平滑模型的提高认证鲁棒性的研究，提出了一种具有针对性的扩散平滑管线 DiffSmooth，通过扩散模型进行对抗净化，然后通过简单而有效的局部平滑策略将净化后的实例映射到一个共同区域，并证明了 DiffSmooth 在不同数据集上实现了最先进的认证鲁棒性。

    Aug, 2023

  • 通过扩散模型实现更好的认证分割

    本文介绍了一种结合随机平滑和扩散模型的方法，用于认证图像分割预测结果，实现更高的鲁棒性。实验结果表明，该方法平均提高了 21 个百分点的准确度

    Jun, 2023

  • 更好的扩散模型进一步改善对抗训练

    本文采用最新的扩散模型来改善对抗训练并且在 RobustBench 上取得了最先进的性能，并且使用生成数据即可实现，达到了 70.69％和 42.67％的鲁棒准确率。

    Feb, 2023

  • 使用去噪技术辅助训练扩散分类器

    本文提出利用去噪技术提升分类器性能的方法，通过在正向扩散过程中（从数据到噪音）训练分类器并引入去噪样本，与传统单纯训练噪声样本的扩散分类器相比，达到了更好的泛化性能和视觉效果，并描述了一种半监督框架的基于扩散模型的训练方法及实验结果。

    Jun, 2023

  • 学习自适应噪声的扩散模型

    通过引入多元学习自适应噪声 (MuLAN)，这篇研究提出了一种新的扩散过程，它在图像中以不同的速率应用高斯噪声，以实现贝叶斯推断，获得更紧的边际似然下界，并在 CIFAR-10 和 ImageNet 数据集上实现了密度估计的最新技术。

    Dec, 2023