CN114676852A - 一种基于相关性类激活映射的通用对抗扰动生成方法 - Google Patents

一种基于相关性类激活映射的通用对抗扰动生成方法 Download PDF

Info

Publication number
CN114676852A
CN114676852A CN202210371521.2A CN202210371521A CN114676852A CN 114676852 A CN114676852 A CN 114676852A CN 202210371521 A CN202210371521 A CN 202210371521A CN 114676852 A CN114676852 A CN 114676852A
Authority
CN
China
Prior art keywords
correlation
disturbance
sample
activation mapping
countermeasure
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210371521.2A
Other languages
English (en)
Inventor
陈自刚
代仁杰
刘正皓
敖晋
程智全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210371521.2A priority Critical patent/CN114676852A/zh
Publication of CN114676852A publication Critical patent/CN114676852A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于相关性类激活映射的通用对抗扰动生成方法，属于对抗机器学习领域。目前，该领域的关键技术问题是深度神经网络决策可解释性和对抗样本可迁移性增强。本发明利用层间相关性传播与类激活映射级联的方式来生成并优化通用对抗扰动，进而理解深度神经网络的关注点。首先利用深度神经网络分类器计算出干净样本的原始标签类和其他错误标签类，然后，通过前向传播的类激活映射特征图与相关性系数线性权重组合，使原始标签的最终热力图贡献最小，其他错误类的热力图贡献最大，再通过最小化相关性类激活映射损失函数来迭代更新通用对抗扰动，从而形成迁移性强的通用对抗扰动，提高对抗样本的攻击成功率。

Description

一种基于相关性类激活映射的通用对抗扰动生成方法
技术领域
本发明涉及一种基于相关性类激活映射的通用对抗扰动生成方法，属于对抗机器学习领域。
背景技术
机器学习技术在解决复杂任务方面取得了重大突破，然而，机器学习技术(尤其是人工神经网络和数据驱动人工智能)在训练或测试时极易受到对抗样本攻击，这些样本很容易颠覆机器学习模型的原定输出。自从AlexNet模型在大规模视觉识别挑战(ILSVRC)方面取得突破以来，各种图像分类神经网络被提出来改进图像分类技术，深度神经网络在解决复杂计算机视觉问题方面表现出惊人的高性能，包括图像识别，目标检测，语义分割和人脸识别等。源于计算机视觉问题的解决方案在所有相关领域都发挥着至关重要的作用，例如安全性，农业、工业等。然而，对抗样本很容易推翻机器的原始输出学习技术，并使训练有素的模型以较高的置信度给出错误的分类结果，因此，了解对抗样本的产生对我们来说至关重要，其不仅可以帮助我们理解不同模型的鲁棒性，还可以还分析训练算法的不足之处。
目前，对抗样本从对抗攻击所需知识大致可分为白盒攻击和黑盒攻击：白盒攻击定义为允许攻击者可以控制模型的输入，通过修改输入数据、网络结构、训练参数、激活函数等理解模型每层。黑盒攻击不了解模型的内部细节，攻击者只能控制模型的输入。在白盒环境下，迭代攻击比单步攻击具有更高的成功率，但在大多数情况下，其可转移性并不理想，因为它对网络参数敏感。此外，攻击者很难获得受害者模型的确切知识，从而难以在实践中使用白盒攻击。
通用对抗攻击对数据集生成通用的对抗样本扰动，数据集内任意输入加上该扰动后都可导致神经网络模型输出结果错误。针对大多数对抗攻击泛化能力较差，攻击时间较长的缺点，通用对抗攻击则省去了对抗样本生成阶段的训练过程，可以直接得到样本从而攻击深度学习模型，减少了对抗样本的攻击时间。另一方面，神经网络的可解释性也是关注的热点，类激活映射CAM通过对神经网络模型可视化得到了特征图，层间相关性传播LRP则通过反向梯度传播得到每个像素点的贡献，进而得到神经网络模型的关注点。因此，研究如何攻击神经网络的关注点并产生通用扰动对理解神经网络模型及机器学习算法具有重要的现实意义。
发明内容
(一)要解决的技术问题
为了使生成的对抗样本在视觉上跟干净样本更难区分并理解神经网络的深层语义特征，本发明提出了一种基于相关性类激活映射的通用对抗扰动生成方法，所生成的对抗样本不仅噪声更难察觉，而且依然具有对深度神经网络有效攻击的能力。本发明方法具有通用性，即可以与任意现有生成对抗样本的方法相结合，增强对抗样本攻击的隐蔽性。
(二)技术方案
为了解决上述技术问题，本发明所采用的技术方案是：一种基于相关性类激活映射的通用对抗扰动生成方法，其特征在于，包括以下步骤：
步骤一：加载数据，对ImageNet_validation数据集进行预处理；
步骤二：目标机器学习模型采用VGG19，其网络结构和参数固定不变且包含最后的三个全连接层；
步骤三：为加快训练速度，设定训练参数等；
步骤四：利用步骤一中得到的数据集对VGG19进行训练，更新模型参数得到训练权重和偏置；
步骤五：生成基于相关性类激活映射的通用对抗扰动，其包含以下子步骤：
步骤1：初始化通用对抗扰动v，使用训练好VGG19卷积神经网络生成通用扰动；
步骤2：数据预处理，从ImageNet_validation中随机采样图片，将通用对抗扰动和数据集裁剪到和合适大小叠加并进行预处理后得到对抗样本输入神经网络；
步骤3：将图像样本x输入设定好的卷积神经网络，对最后一个卷积层的各通道输出进行激活映射特征图提取，得到激活映射图
Figure BDA0003588892450000021
步骤4：激活映射图
Figure BDA0003588892450000022
经过预训练好的模型网络正向传播得到全连接层的分布输出y，将全连接层的输出采用反向分层相关性传播得到目标类c的神经网络的第i层对最后一层卷积层的某一通道k的激活映射特征图
Figure BDA0003588892450000024
的相关系数
Figure BDA0003588892450000023
步骤5：全局池化，利用全局池化操作对各个通道的相关性传播系数进行降低维度，得到激活映射图
Figure BDA0003588892450000025
的权重系数
Figure BDA0003588892450000026
步骤6：提取相关性类激活映射图，将激活映射图的权重系数
Figure BDA0003588892450000027
与激活映射图A1～An线性组合构成相关性类激活映射函数
Figure BDA0003588892450000028
利用lp范数度量及层间相关性解释器构造损失函数；
步骤7：优化通用扰动v，图像样本x通过目标机器学习模型f，计算目标分类cori以及错误分类cadv，通过
Figure BDA0003588892450000031
使得机器学习模型输出接近错误分类，并且梯度更新时采用动量迭代的方式，迭代更新通用扰动v直到f(x+v)不等于f(x)，当迭代次数大于或等于样本图像的数量或优化目标收敛时，最终得到基于相关性类激活映射的通用对抗扰动vout。
本发明由于采取以上技术方案，其具有以下有益效果：
(1)本发明提供一种基于相关性类激活映射的通用对抗扰动生成方法，给定目标模型和数据集，当应用于任何输入时，都能基于类激活映射和层间相关性传播来生成具有尺度不变性的、泛化能力强、对抗强度大的对抗样本图像。
(2)本发明提供一种基于相关性类激活映射的通用对抗扰动生成方法，可以基于类激活映射的特征图与层间相关性的相关系数结合得到的函数，通过增大错误类，减小正确类的概率热力图，从而使得目标神经网络决策错误。
(3)与传统的对抗样本生成方法相比，采用本发明产生的通用对抗扰动的对抗样本有更低的峰值信噪比、结构相似性、攻击成功率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
图1为本发明基于相关性类激活映射的通用对抗扰动生成方法流程；
图2为本发明对抗样本攻击流程；
图3为本发明层间相关性传播图示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于相关性类激活映射通用扰动的对抗样本生成方法，通过分别获取样本图像的类激活映射图及图像在反向传播时注意力的权重，根据线性组合形成损失函数来优化扰动图像，得到最佳通用扰动，再将最佳通用扰动线性叠加在样本图像中，可得到最终的对抗样本，进而提高对抗样本的生成效率以及扰动的攻击成功率，并且在不影响视觉效果的前提下将正常的训练样本转化为对抗样本，提高模型的抗干扰能力和鲁棒性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明方法的整体流程如图1所示，包括以下步骤：
步骤一：加载数据，对ImageNet_validation数据集进行预处理；
具体地，对原始数据集进行预处理的方法指，划分训练集与测试集和为数据集设置标签。
划分数据集的方法为，80％的数据集划分为训练集，剩余20％数据集划分为测试集。
为数据集设置标签的方法为，读取ImageNet的1000个类别标签文件。
步骤二：目标机器学习模型采用VGG19其网络结构和参数固定不变且包含最后的三个全连接层；
步骤二中所述的搭建VGG19卷积神经网络，其包含5个blocks，每个block的池化层大小为2×2，采用的是最大池化方式。
进一步地，block1，block2有两个卷积层，一个最大池化层。
进一步地，block3，block4，block5有四个卷积层，一个最大池化层。
进一步地，搭建VGG19卷积神经网络，构建输入图像尺寸为224×224×3，感受野为3×3，卷积步长为1，填充为1，池化层大小为2×2，有三个完全连接层，每层有4096个神经元，激活函数采用ReLU，最后一层具有1000个神经元的Softmax分类层。
步骤三：为加快训练速度，设定训练参数：batch_size设置为32；为提高准确率，增加batch_normalize；
进一步地，所述的基于相关性类激活映射的通用对抗扰动生成方法，训练过程使用SGD优化器，参数设置为：momentum＝0.9，decay＝0.001，初始学习率设置为0.01。
步骤四：利用步骤一中得到的数据集对VGG19进行训练，更新模型参数得到训练权重和偏置；
步骤五：生成基于相关性类激活映射的通用对抗扰动，其包含以下子步骤：
步骤1：初始化算法参数、获取训练样本集和初始扰动数据：
初始化通用对抗扰动v为0，是指生成一个维度与输出图像尺寸相同的初始扰动图像。初始化算法参数，包括学习率，迭代次数等，使用卷积神经网络f生成通用扰动，所述卷积神经网络是训练后得到的模型；优选地，在l无穷范数≤0.1的视觉约束条件下随机初始化一个与输出图像相同尺寸的初始扰动图像。
所述训练样本集中包括多张样本图像。在本实施例中，从ImagNet_validation训练集中随机采样图片，再额外随机选择1000张图片用于训练阶段的验证集。采用ImageNet_validation测试集作为评估扰动图像在未知图像上生成对抗样本的泛化性能。训练样本集，验证集与测试集图片均无重合。
步骤2：数据预处理，将通用对抗扰动和数据集裁剪到和合适大小叠加并进行预处理后得到对抗样本输入神经网络；优选地，将其转化为float32格式的Numpy张量并批量按通道颜色对样本图像进行标准化；
具体地，数据裁剪方式为中心裁剪，所述通用扰动与数据集裁剪到的合适大小为224×224×3。
步骤3：将图像样本x输入设定好的卷积神经网络，对最后一个卷积层的各通道输出进行激活映射特征图提取，得到激活映射图
Figure BDA0003588892450000051
具体地，block5_conv4层的输出特征图，它是VGG19的最后一个卷积层，计算根据输入图像类别相对于block5_conv4特征图梯度，然后计算池化梯度，每个元素是特定特征图通道的梯度平均大小，对于给定的图像样本，将特征图数组的每个通道乘以某通道对图像类别的重要程度，得到特征图的逐通道的平均值即为类激活的热力图。
具体地，激活映射图的所得的激活值来自深层卷积层保留的空间信息，通过最后一层的的到多层卷积的叠加语义。最后一层的激活映射图的大小为16×16×512。
进一步地，所述步骤3中，激活映射图提取在最后一层卷积层，其通道数为512。
步骤4：激活映射图
Figure BDA0003588892450000052
经过预训练好的模型网络正向传播得到全连接层的分布输出y，将全连接层的输出采用反向分层相关性传播得到目标类c的神经网络的第i层对最后一层卷积层的某一通道k的激活映射特征图
Figure BDA0003588892450000053
的相关系数
Figure BDA0003588892450000054
具体地，y＝max{y1,...,yc,...,yN}。
具体地，上述步骤4中，全连接层输出的目标类别概率分布输出y经过归一化指数操作，所述反向分层相关性传播机制遵循z-rule规则：
Figure BDA0003588892450000055
其中
Figure BDA0003588892450000061
Ri，Rj表示第i层相关性和第j层相关性，Xi分别表示第i层的激活输出，
Figure BDA0003588892450000062
表示第i层和第j层之间权重的部分。
进一步地，步骤4中所述反向传播激活映射特征图
Figure BDA0003588892450000063
的相关系数
Figure BDA0003588892450000064
采用经过了Softmax的层间相关性传播可表示为：
Figure BDA0003588892450000065
Figure BDA0003588892450000066
进一步地，如图三所示为反向层间相关性传播方法。
进一步地，上述步骤4所述激活图特征
Figure BDA0003588892450000067
的c表示目标类别，k表示最后一个卷积层的第k个通道，其取值范围为1～n，其中n＝512。
步骤5：全局池化，利用全局池化操作对各个通道的相关性传播系数进行降低维度，得到激活映射图
Figure BDA0003588892450000068
的权重系数
Figure BDA0003588892450000069
步骤6：提取相关性类激活映射图，将激活映射图的权重系数
Figure BDA00035888924500000610
与激活映射图
Figure BDA00035888924500000611
线性组合构成相关性类激活映射函数
Figure BDA00035888924500000612
利用lp范数度量及层间相关性解释器构造损失函数：
Figure BDA00035888924500000613
步骤7：优化通用扰动v，图像样本x通过目标机器学习模型f，计算目标分类cori以及错误分类cadv，通过
Figure BDA00035888924500000614
使得机器学习模型输出接近错误分类，并且梯度更新时采用动量迭代的方式，迭代更新通用扰动v直到f(x+v)不等于f(x)，当迭代次数大于或等于样本图像的数量或优化目标收敛时，最终得到基于相关性类激活映射的通用对抗扰动vout。
具体地，假设在目标分类神经网络f上的层间相关性解释器为I，指定的类别标签为y，那么I(x,y)代表相应类别的热图。层间相关性性解释器I需要在目标分类深度神经网络上构造，它以图像x和选择的分类标签c为输入，生成相应类别的热图I(x,c)。当加入通用扰动v时，扰动图像的热图定义为I(x+v,c)。
进一步地，所述步骤7包含以下子步骤：
7.1、通用对抗扰动v初始化为向量的形式；
7.2、设置第零次对抗样本为真实样本；
7.3、当干净样本与对抗样本均方根误差小于阈值时，继续用动量迭代的方式更新梯度；
7.4、根据计算的梯度迭代更新对抗样本，直到生成的对抗扰动在干净样本上能够以较高的愚弄率欺骗神经网络。
具体地，动量迭代更新梯度公式为：
mt←γmt-1+ηtgt
xt←xt-1-mt
其中，mt代表第t次迭代动量，gt代表第t次迭代的梯度。
进一步优选地，目标RMSD阈值设置为7。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本发明对于通用对抗扰动的理解研究是基于VGG模型来进行研究分析，本发明方法同样适用于其他VGGNet卷积神经网络的研究分析。本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种基于相关性类激活映射的通用对抗扰动生成方法，其特征在于，包括以下步骤：
步骤1：对于通用对抗扰动v，其初始化为0，使用卷积神经网络f生成通用扰动；
步骤2：数据预处理，采用训练好的VGG19并从划分的ImagNet_validation训练集中随机采样图片，将通用对抗扰动和数据集裁剪到和合适大小叠加并进行预处理后得到对抗样本输入神经网络；
步骤3：激活图特征提取，将图像样本x输入设定好的卷积神经网络，对最后一个卷积层的各通道输出进行激活映射特征图提取，得到激活映射图
Figure FDA0003588892440000011
其中c为目标类；
步骤4：相关性传播系数计算，激活映射图
Figure FDA0003588892440000012
经过训练好的模型网络正向传播得到全连接层的分布输出y，将全连接层的输出采用反向层间相关性传播得到目标类c的神经网络的第i层对最后一层卷积层的某一通道k的激活映射特征图
Figure FDA0003588892440000013
的相关系数
Figure FDA0003588892440000014
步骤5：全局池化，利用全局池化操作对各个通道的相关性传播系数进行降低维度，得到激活映射图Ak的权重系数
Figure FDA0003588892440000015
步骤6：提取相关性类激活映射图，将激活映射图的权重系数
Figure FDA0003588892440000016
与激活映射图
Figure FDA0003588892440000017
线性组合构成相关性类激活映射函数
Figure FDA0003588892440000018
利用lp范数度量及层间相关性解释器构造损失函数
Figure FDA0003588892440000019
步骤7：优化通用扰动v，图像样本x通过目标机器学习模型f，计算目标分类cori以及错误分类cadv，通过
Figure FDA00035888924400000110
使得机器学习模型输出接近错误分类，并且梯度更新时采用动量迭代的方式，迭代更新通用扰动v直到f(x+v)≠f(x)，当迭代次数大于或等于样本图像的数量或优化目标收敛时，最终得到基于相关性类激活映射的通用对抗扰动vout。
2.根据权利要求1所述一种基于相关性类激活映射的通用对抗扰动生成方法，其特征在于：所述步骤1中，卷积神经网络采用VGG19，其网络结构和参数固定不变且包含最后的三个全连接层。
3.根据权利要求1所述一种基于相关性类激活映射的通用对抗扰动生成方法，其特征在于：所述步骤2中，通用扰动与数据集裁剪到的合适大小为224×224×3。
4.根据权利要求1所述一种基于相关性类激活映射的通用对抗扰动生成方法，其特征在于：所述步骤3中，激活映射图提取在最后一层卷积层，其通道数为512。
5.根据权利要求1所述一种基于相关性类激活映射的通用对抗扰动生成方法，其特征在于：所述步骤4中，全连接层输出的目标类别概率分布输出y经过归一化指数操作，所述反向分层相关性传播机制遵循z-rule规则：
Figure FDA0003588892440000021
其中
Figure FDA0003588892440000022
Ri，Rj表示第i层相关性和第j层相关性，Xi分别表示第i层的激活输出，
Figure FDA0003588892440000023
表示第i层和第j层之间权重的部分。
6.根据权利要求1中所述的基于相关性类激活映射的通用对抗扰动生成方法，其特征在于，步骤3中反向传播激活映射特征图
Figure FDA0003588892440000024
的相关系数
Figure FDA0003588892440000025
采用经过Softmax函数的层间相关性传播方法。
7.根据权利要求1所述一种基于相关性类激活映射的通用对抗扰动生成方法，其特征在于：所述步骤7包含以下子步骤：
7.1、通用对抗扰动v初始化为向量的形式；
7.2、设置第零次样本为真实样本；
7.3、当干净样本与对抗样本均方根误差小于阈值时，继续用动量迭代的方式更新梯度；
7.4、根据计算的梯度迭代更新对抗样本，直到生成的对抗扰动在干净样本上能够以较高的愚弄率欺骗神经网络。
8.根据权利要求1中所述的基于相关性类激活映射的通用对抗扰动生成方法，其特征在于，训练VGG19的过程使用SGD优化器，参数设置为：momentum＝0.9，decay＝0.001，初始学习率设置为0.01。
CN202210371521.2A 2022-04-11 2022-04-11 一种基于相关性类激活映射的通用对抗扰动生成方法 Pending CN114676852A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210371521.2A CN114676852A (zh) 2022-04-11 2022-04-11 一种基于相关性类激活映射的通用对抗扰动生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210371521.2A CN114676852A (zh) 2022-04-11 2022-04-11 一种基于相关性类激活映射的通用对抗扰动生成方法

Publications (1)

Publication Number Publication Date
CN114676852A true CN114676852A (zh) 2022-06-28

Family

ID=82078930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210371521.2A Pending CN114676852A (zh) 2022-04-11 2022-04-11 一种基于相关性类激活映射的通用对抗扰动生成方法

Country Status (1)

Country Link
CN (1) CN114676852A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374898A (zh) * 2022-08-02 2022-11-22 清华大学 神经网络测试方法、装置、设备及存储介质
CN115829005A (zh) * 2022-12-09 2023-03-21 之江实验室 面向卷积神经分类网络的缺陷自动诊断与修复方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374898A (zh) * 2022-08-02 2022-11-22 清华大学 神经网络测试方法、装置、设备及存储介质
CN115374898B (zh) * 2022-08-02 2023-04-25 清华大学 神经网络测试方法、装置、设备及存储介质
CN115829005A (zh) * 2022-12-09 2023-03-21 之江实验室 面向卷积神经分类网络的缺陷自动诊断与修复方法及装置

Similar Documents

Publication Publication Date Title
CN111753881B (zh) 一种基于概念敏感性量化识别对抗攻击的防御方法
Wang et al. Neural architecture search for robust networks in 6G-enabled massive IoT domain
Long et al. A survey on adversarial attacks in computer vision: Taxonomy, visualization and future directions
CN114676852A (zh) 一种基于相关性类激活映射的通用对抗扰动生成方法
CN114492574A (zh) 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法
CN110941794A (zh) 一种基于通用逆扰动防御矩阵的对抗攻击防御方法
CN111125411A (zh) 一种深度强相关哈希学习的大规模图像检索方法
CN115357909B (zh) 一种用于代码漏洞检测的全局信息感知图神经网络***
CN115908908B (zh) 基于图注意力网络的遥感图像聚集型目标识别方法及装置
CN112580728B (zh) 一种基于强化学习的动态链路预测模型鲁棒性增强方法
CN112926661A (zh) 一种增强图像分类鲁棒性的方法
CN108052959A (zh) 一种提高深度学习图片识别算法鲁棒性的方法
CN113420639A (zh) 基于生成对抗网络的近地面红外目标数据集建立方法及装置
CN114780748A (zh) 基于先验权重增强的知识图谱的补全方法
CN111144500A (zh) 基于解析高斯机制的差分隐私深度学习分类方法
Sahu et al. Dynamic routing using inter capsule routing protocol between capsules
CN114611617A (zh) 基于原型网络的深度领域自适应图像分类方法
CN112232395A (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
Thapa et al. Hdxplore: Automated blackbox testing of brain-inspired hyperdimensional computing
Khan et al. A hybrid defense method against adversarial attacks on traffic sign classifiers in autonomous vehicles
Guo et al. ELAA: An efficient local adversarial attack using model interpreters
CN115048983A (zh) 数据流形拓扑感知的人工智能***对抗样本防御方法
CN114972904A (zh) 一种基于对抗三元组损失的零样本知识蒸馏方法及***
Li et al. Sa-es: Subspace activation evolution strategy for black-box adversarial attacks
CN117611838A (zh) 一种基于自适应超图卷积网络的多标签图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination