防御补丁图神经网络

清洁样本精度无损

从特征子空间角度设计防御,通过全局平均池化和图结构特征子空间,在抵御对抗补丁攻击的同时保持对清洁图像的分类精度不下降。

Yunsheng, Xue · 温蜜 · He, Wei · Li, Weiwei

Machine Learning 2024

技术优势

清洁样本零损失

因为防御作用于图结构特征子空间而非原始输入,不需要任何图像预处理,分类器在清洁图像上的性能完全不受影响。

白盒攻击鲁棒

在攻击者完全知晓防御结构的情况下,DPG 仍能维持 95% 左右的分类准确率,而基线模型在该攻击下几乎失效——防御不能被简单绕过。

应用场景