cs231n spring 2017 lecture16 Adversarial Examples and Adversarial Training

（没太听明白，以后再听）

1. 如何欺骗神经网络？

　　这部分研究最开始是想探究神经网络到底是如何工作的。结果人们意外的发现，可以只改变原图一点点，人眼根本看不出变化，但是神经网络会给出完全不同的答案。比如下图，左边的熊猫被识别成熊猫，但是加上中间的小“噪音”一样的数值，右图的熊猫就识别不出来了。而且这个小“噪音”不是随机的，它更像是offset，是某种系统误差，叠加到图片上去，总是可以欺骗神经网络。

2. 神经网络从权重到输出的映射是非线性的，非常复杂，非常难优化、训练。但是从输入到输出的映射可以看成线性的，是可以预测的，优化出输入要比优化出权重容易得多。可以利用输入到输出的线性关系，很方便地生成可以欺骗（或者叫攻击）神经网络的样例。

　　FGSM (Fast Gradient Step Method)：一种对抗方法。这个方法的核心思想是在每一步优化的过程中加入少量噪声，让预测结果朝目标类别偏移，或者如你所愿远离正确的类别。

　　Transferability Attack：在自己的网络上找到攻击样例，这个样例往往也能攻破其他神经网络。

3. 对抗样例可以用来训练网络得到更好的效果。

4. 总结

巴特西

cs231n spring 2017 lecture16 Adversarial Examples and Adversarial Training

最新文章

热门文章