关键词adversarially robust generalization
搜索结果 - 2
- 缩小差距:对健壮和标准泛化的 Rademacher 复杂性
对深度神经网络进行对抗性示例训练通常导致对测试时的对抗数据泛化能力差,本论文通过 Rademacher 复杂度研究了这个问题,提出了上确界对于匹配标准设置中的最优上确界的 DNN 的对抗 Rademacher 复杂度,通过计算对抗函数类的覆 - 图神经网络的 PAC-Bayesian 对抗鲁棒泛化界限
在这篇论文中,我们使用 PAC-Bayesian 框架为两种流行的图神经网络,图卷积网络(GCN)和消息传递图神经网络,提供了对抗鲁棒性泛化界限的结果。我们的结果揭示出图上扩散矩阵的谱范数、权重的谱范数以及扰动因子决定了这两个模型的鲁棒性泛