arXiv Artificial Intelligence· Adia Khalid Khan, Lukas Gehring, Benjamin Paa{\ss}en·· 13 小时前AI 评分24
基于 Lipschitz 训练的鲁棒深度原型分类器
Robust Deep Prototype Classifiers via Lipschitz Training
AI 导读
研究提出一种 Lipschitz 训练方案，为原型分类器的深度嵌入网络施加局部 L-Lipschitz 约束，使完整模型在输入空间获得 ε/L 鲁棒性。
推荐理由模型分析
该文针对原型分类器在高维数据上依赖深度嵌入网络后、原有鲁棒性证书失效的问题，给出局部Lipschitz条件下输入空间鲁棒性的界，并提出基于采样的Lipschitz训练方案。在MNIST、CIFAR-10和Imagenette-160上，用FGS、PGD、C&W攻击比较线性、SVM与GLVQ三种分类头，结果显示原型头加Lipschitz约束的嵌入鲁棒性最强。作者明确说明约束靠采样而非构造实现，因此结果是经验性的而非可认证的，适合关注可解释分类器与对抗鲁棒性的研究者参考。
来源：arXiv Artificial Intelligence · arxiv.org