信息安全领域中鲁棒的深度学习及其应用研究

• 作者: 王赛男
• 来源期刊: 智能计算机与应用
• 学科: 工学
• 关键词: 深度学习 脆弱性 局部线性 对抗性训练 特征掩膜 特征填补
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 学术研究与应用
• 页码范围: 111-117,120
• 页数: 8页
• 分类号: TP391
• 字数: 5591字
• 语种: 中文

摘要

本文初步探索了深度学习模型脆弱性,存在的潜在原因之一归结于其网络结构中高度敏感的局部线性行为.而对抗性训练的提出,旨在对抗扰动的训练集上训练深度学习模型,是一种有效的正则化方法,可缓解其脆弱性问题.由于传统对抗性训练算法依赖于已知攻击算法,在抵御其攻击时性能十分有限,而基于特征掩膜(Feature Mask)和特征填补( Feature Pad?ding)的对抗性训练防御策略的提出,不仅不依赖于对抗样本,还能提高深度学习模型的鲁棒性及安全性,并在公开交通标识识别和人脸识别数据集上,验证了所提对抗性训练防御策略在对抗环境下较优的防御性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王赛男		4	0	0.0	0.0