May, 2024
贝叶斯误差如何限制概率鲁棒准确性
How Does Bayes Error Limit Probabilistic Robust Accuracy
TL;DR对于建立在神经网络上的许多关键系统来说，对抗性例子构成了一种安全威胁。尽管确定性鲁棒性通常会导致显著的准确性下降，但已提出概率鲁棒性（即在给定区域内具有相同标签的概率≥1-κ）是实现鲁棒性同时保持准确性的一种有前景的方法。然而，现有的用于概率鲁棒性的训练方法仍然存在着不可忽视的准确性损失。目前尚不清楚在优化概率鲁棒性时是否存在准确性的上界以及κ与此上界之间是否存在某种关系。本研究从贝叶斯误差的角度研究了这些问题。我们发现，尽管贝叶斯不确定性确实影响了概率鲁棒性，但其对确定性鲁棒性的影响要小。这种减小的贝叶斯不确定性允许在概率鲁棒性准确性上具有更高的上界，而这个上界要高于确定性鲁棒性的上界。此外，我们证明了在最佳概率鲁棒性下，每个具有概率鲁棒性的输入在一个较小的邻域内也是具有确定性鲁棒性的。我们还表明，在邻域内进行投票总是提高概率鲁棒性准确性，并且随着κ的增加，概率鲁棒性准确性的上界也单调增加。我们的实证结果也与我们的结论一致。