[1]邵琦琦,钱亚冠,王佳敏,等.基于卷积神经网络隐空间的虚拟对抗学习[J].浙江科技学院学报,2022,(05):426-434.
　SHAO Qiqi,QIAN Yaguan,WANG Jiamin,et al.Virtual adversarial learning based on latent space ofconvolutional neural network[J].,2022,(05):426-434.
点击复制

基于卷积神经网络隐空间的虚拟对抗学习(/HTML)
分享到：

《浙江科技学院学报》[ISSN:2097-5236/CN:33-1431/Z]

卷:
期数:
2022年05期
页码:
426-434
栏目:
出版日期:
2022-10-31

文章信息/Info

Title:
Virtual adversarial learning based on latent space ofconvolutional neural network
文章编号:
1671-8798(2022)05-0426-09
作者:
邵琦琦; 钱亚冠; 王佳敏; 李思敏; 梁小玉
浙江科技学院 理学院,杭州 310023
Author(s):
SHAO Qiqi;  QIAN Yaguan;  WANG Jiamin;  LI Simin;  LIANG Xiaoyu
School of Sciences, Zhejiang University of Science and Technology, Hangzhou 310023, Zhejiang, China
关键词:
训练效率; 对抗训练; 虚拟对抗学习; 虚拟对抗样本
分类号:
TP389.1
文献标志码:
A
摘要:
?对抗训练存在计算效率低的缺点,对此提出一种虚拟对抗学习的方法。在CIFAR-10和ImageNet(30)数据集上验证本方法,首先,建立阈值机制来挑选对抗源样本;然后,在对抗源样本的logits上添加扰动生成虚拟对抗样本,而非对抗源样本保持不变;最后,计算虚拟对抗样本和非对抗源样本的损失,〖JP2〗通过反向传播更新网络权重。试验结果表明,与传统的对抗训练相比,本文方法在干净样本的测试精度上提升了大约7～14百分点,在扰动样本的测试精度上不亚于投影梯度下降(projected gradient descent,PGD)对抗训练的效果,尤其是在ImageNet(30)数据集上提升了4.62百分点。在训练效率上,与最慢的PGD对抗训练相比,本文方法的训练时间缩短了2/3左右。这些结果均证明了虚拟对抗学习既能提升对干净样本的预测精度,又能提高模型的鲁棒性;同时加快对抗训练过程,为对抗训练在工业环境的运用提供有效方法。

相似文献/References:

[1]胡慧敏,钱亚冠,雷景生,等.基于卷积神经网络的污点攻击与防御[J].浙江科技学院学报,2020,(01):38.

备注/Memo

备注/Memo:
?浙江省自然科学基金项目(LY17F020011)
更新日期/Last Update: