基于随机多分布噪声与多目标梯度的对抗防御方法

摘要

为解决深度神经网络（Deep Neural Network,DNN）对抗防御方法在提升防御效力的同时牺牲干净样本分类精度的问题，提出一种基于随机多分布噪声与多目标梯度的对抗防御（Random Noise-Defense,RN-Defense）方法。该方法的核心思想是在模型的每一层引入可训练的多分布噪声，且噪声的强度和分布可通过梯度信息动态调整，以增强模型对多样化输入的适应能力。此外，结合多目标梯度对抗训练，控制每个像素点在梯度方向上进行低阶灰度扰动，以生成对抗样本用于对抗训练。实验结果表明，在CIFAR-10(Canadian Institute for Advanced Research-10)和MNIST(Modified National Institute of Standards and Technology)数据集上，与投影梯度下降（Projected Gradient Descent,PGD）对抗训练相比，RN-Defense方法在PGD攻击下的分类精度分别提升6.4%和7.7%，干净样本的分类精度分别提高6.4%和6.9%，有效提升了模型对抗样本的防御能力，同时保证了干净样本的分类精度。

关键词

深度神经网络 / 对抗样本 / 对抗防御 / 随机多分布噪声 / 多目标梯度