ICMLJun, 2024

指数高斯分布对（双抽样）随机平滑的影响

PDF
TL;DR随机平滑是一种可扩展的认证防御方法，提供对抗样本的稳健认证。研究重点在于探讨指数标准高斯分布和指数通用高斯分布对随机平滑和双抽样随机平滑的影响，以解决维度诅咒问题。实验结果验证了指数标准高斯分布在不同指数下对随机平滑和双抽样随机平滑的相同认证效果。
randomized smoothingcertified defense methodexponential standard gaussianexponential general gaussiandimensionality curse
发现论文，激发创造
  • 双采样随机平滑

    提出了一种基于双重采样的随机平滑框架 (DSRS) 来提高神经网络模型的鲁棒性，并证明了其可以克服高维度数据集下现有随机平滑算法的 “维数诅咒”，实验表明 DSRS 可以在不同情况下比现有基准证明更大的鲁棒半径。

    Jun, 2022

  • [Re] 双采样随机平滑

    该论文提出了一种名为 “Double Sampling Randomized Smoothing (DSRS)” 框架的方法来提高神经网络的抗干扰性认证，并通过实验验证了其效果。

    Jun, 2023

  • 通过双随机平滑缓解基于认证的鲁棒性的维度诅咒

    提供了一种新的方法，通过在较低维度空间中利用双重平滑来为高维输入提供 ${\ell_2}$ 认证的稳健性，实验证明 Dual Randomized Smoothing（DRS）与传统方法相比，在 CIFAR-10 和 ImageNet 数据集上能够显著提高准确性和 ${\ell_2}$ 认证的稳健性。

    Apr, 2024

  • 使用 100 倍的样本效率估计随机平滑的稳健半径

    减少样本数量可以降低鲁棒性半径，但保持相同的置信度；本文提供了数学基础并在 CIFAR-10 和 ImageNet 数据集上进行了实验证明。

    Apr, 2024

  • 多扰动界内认证的对抗鲁棒性

    本篇论文提出了一种新的证明方案来提高对不同扰动边界的认证鲁棒性，并通过提出一种新的训练噪声分布和正则化训练方案，同时改善了对于 l1 和 l2 扰动规范的认证，并在 ACR 指标上实现了改进。

    Apr, 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

  • RS-Reg：随机平滑的概率性和稳健回归认证

    通过定义回归任务中的鲁棒性，灵活地通过概率，我们展示了如何为用户指定的观察到有效输出的概率建立输入数据点扰动（使用 $l_2$ 范数）的上界。我们还展示了在回归模型无约束操作的情况下，基本的平均函数的渐近特性。在处理输出有界的回归模型族时，我们导出了输入扰动的认证上界。我们的模拟验证了理论结果的有效性，并揭示了简单平滑函数（例如平均）在回归任务中的优势和局限性。

    May, 2024

  • 指数随机图模型采样一致性

    研究网络结构的统计模型中，针对采样亚网络应用整个网络模型来估计参数假设模型在采样下一致，但实际上这个假设会严重限制模型的表达能力，本文针对流行的指数随机图模型进行了讨论并提出了一些可行性条件和可能的解决方法。

    Nov, 2011

  • 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

  • 用方差降低分类器的随机平滑增强

    本文介绍一种随机平滑算法来提高基于噪声的鲁棒性，并提出集成模型作为基本模型，通过实验证明其可行性和优越性，同时优化算法以降低计算复杂度。

    Jun, 2021