BriefGPT - AI 论文速递
·
通过对抗性输出日志更新推进对抗鲁棒性
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文从理论的角度分析了对抗攻击周围的逻辑差异，并提出了一种新的原则，即 Adversarial Logit Update (ALU)，用于推断对抗样本的标签。基于ALU，引入了一种新的分类范式，利用预净化和后净化的逻辑差异来提高模型的对抗鲁棒性。实验证明，该解决方案在CIFAR-10、CIFAR-100和tiny-ImageNet数据集上具有卓越的鲁棒性能。
🎯
关键要点
- 从理论角度分析成功的对抗攻击周围的逻辑差异。
- 提出新的原则 Adversarial Logit Update (ALU)，用于推断对抗样本的标签。
- 基于 ALU 引入新的分类范式，利用预净化和后净化的逻辑差异。
- 提高模型的对抗鲁棒性。
- 经过广泛实验证明，解决方案在 CIFAR-10、CIFAR-100 和 tiny-ImageNet 数据集上具有卓越的鲁棒性能。
➡️
