10.3969/j.issn.1674-9456.2021.02.012
基于正则化方法的鲁棒性神经网络识别算法
近年来,研究者发现在一些正常样本上添加一些特制的对抗性扰动能使深度学习系统崩溃,这些导致发生错误的样本叫做对抗样本,会对系统造成潜在的安全隐患.以往提出的防御方式存在缺陷,泛化性能较弱.论文提出了用正则化后的训练样本重新训练一个卷积网络,而未知样本都可以通过这个重新训练的卷积网络进行识别,这个基于正则化的方法能够提高神经网络的鲁棒性,在面对对抗攻击时能够保持较好的正确识别率.
神经网络;防御;对抗样本;鲁棒性
12
TP399(计算技术、计算机技术)
2021-08-26(万方平台首次上网日期,不代表论文的发表时间)
共3页
63-65