Open futakw opened 3 years ago
https://arxiv.org/abs/1803.06373
・Adversarial Robustnessを増加させるための手法。 ・clean examples とadversarial examplesを入力した時に出力されるlogitsが近くなるように、ロス関数を定義する。 ・直感的には、モデルはcleanとadversarialの画像に共通して存在する特徴のみを学ぶ。 ・実装が非常に簡単。
・結果 一定の条件では、ATよりもロバストになっている。
・ロス関数のちょっとした工夫。
ロバスト性は高くなった一方で、Normal Accuracyがかなり低くなることが指摘されている(Benchmarking ...[CVPR2020])。 これは、normalとAdversarialに共通する特徴しか学んでいないからのように思える。
これ、自分が最近考えてたアイデアにめっちゃ似てる 読んでみます
論文リンク
https://arxiv.org/abs/1803.06373
概要
・Adversarial Robustnessを増加させるための手法。 ・clean examples とadversarial examplesを入力した時に出力されるlogitsが近くなるように、ロス関数を定義する。 ・直感的には、モデルはcleanとadversarialの画像に共通して存在する特徴のみを学ぶ。 ・実装が非常に簡単。
・結果 一定の条件では、ATよりもロバストになっている。
先行研究との差異
手法のキモ
・ロス関数のちょっとした工夫。
評価方法
議論
ロバスト性は高くなった一方で、Normal Accuracyがかなり低くなることが指摘されている(Benchmarking ...[CVPR2020])。 これは、normalとAdversarialに共通する特徴しか学んでいないからのように思える。
関連論文