您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
康奈尔大学说对抗样本可战胜，但OpenAI却并不认同！
2017年07月19日 由 nanan 发表
73361
0
现在看来，我们是真的不能对对抗样本放松警惕！
康奈尔大学在之前发表过一篇文章，表述的是当图像识别的算法应用到实际场景中时，可能就不需要担心对抗样本的问题了。他们还做了一系列的实验来证明这一观点，但结果表明，现有的对抗样本的干扰因素只在特定的场景下才适用。
就在最近几日，针对康奈尔大学的论文，OpenAI表示，他们已经生成了一些图像，能从不同的角度和大小来对神经网络识别器进行干扰。
上面所示，在经ImageNet训练的Inception v3上会被错误地识别为台式电脑。但图片仅仅放大1.002倍，也会导致图片的识别率降低。对抗样本会再不断的变化下导致失效的。
相关人员有进行设想，设想成一个不一样性质的对抗样本，因此对抗样本可以转移到显示场景中，这一设想得到验证，他们的设想是对的。
上面图片是由标准彩色打印机打印出的受到干扰的小狗的照片，不管照片怎样的旋转和缩放，都可以干扰到识别器，使显示出的图片被误认为是“台式电脑”。 OpenAI会进一步调整参数，使生成的图片可以骗过机器的对抗样本，那么就会有很大的安全性了 。
下面两幅图是另外生成的对抗样本：
（1）图片大小无关的对抗样本
可以使用投影梯度下降法，借以找出图像微小的干扰，随意的扰乱识别器并以创建对抗样本。通过众多的识别器来调整输入图片的大小来进行优化，并产生了无关大小的对抗性样本。下图中虽然不断调整图片的大小，但仍能不间歇的干扰识别器。
（2）无关变化的对抗样本
通过对训练干扰增加随机旋转、变化、缩放、噪音以及均值漂移，上面提到的方法对此一样可以输入对抗样本。下图是变化无关对抗样本，但受到的干扰明显增加了。最恰当的解释是：本来就微弱的对抗干扰在经过多种变换后很难在保持原来的对抗了。
实验过程中，都是随机进行采样的，不存在刻意，所生成的样本都是具有干扰性的。
论文地址：https://arxiv.org/abs/1707.03501
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
上一篇
人工智能助推精准医疗时代
广告
广告
写评论取消
回复取消