admin管理员组

文章数量:1530020

Content

这篇论文主要是来探究adversarial robustness和corruption robustness的关系。

主旨句：Improving adversarial robustness should go hand in hand with improving performance in the presence of more general and realistic image corruptions.

三种训练方式：

  • naturally trained
  • adversarially trained
  • with Gaussian data augmentation

第三部分：

  • 交代了一下如何表示corruption robustness和adversarial robustness。
  • 交代了论文中的模型是如何训练得到的。

第四部分：

  • 从线性模型开始谈起，探索两类鲁棒性之间的关系
  • 从线性模型扩展到神经网络，探究 σ \sigma σ和d的关系。（ σ \sigma σ代表corruption robustness， σ \sigma σ越大表示模型的corruption robustness越强；d代表adversarial robustness）

第五部分：

  • 寻找对抗鲁棒性的上界

Reference

  • 综述论文：对抗攻击的12种攻击方法和15种防御方法
  • 模拟图像与数字图像
  • 如何正确地给图像添加高斯噪声
  • Decision boundary
  • L1距离和L2距离图像解释

本文标签： ExamplesNaturalNoteADVERSARIALError

版权声明：本文标题：Note-Adversarial Examples Are a Natural Consequence of Test Error in Noise 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dongtai/1726651508a1080007.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。