Note-Adversarial Examples Are a Natural Consequence of Test Error in Noise

Content

这篇论文主要是来探究adversarial robustness和corruption robustness的关系。

主旨句：Improving adversarial robustness should go hand in hand with improving performance in the presence of more general and realistic image corruptions.

三种训练方式：

• naturally trained
• adversarially trained
• with Gaussian data augmentation

第三部分：

• 交代了一下如何表示corruption robustness和adversarial robustness。
• 交代了论文中的模型是如何训练得到的。

第四部分：

• 从线性模型开始谈起，探索两类鲁棒性之间的关系
• 从线性模型扩展到神经网络，探究$\sigma$和d的关系。（$\sigma$代表corruption robustness，$\sigma$越大表示模型的corruption robustness越强；d代表adversarial robustness）

第五部分：

• 寻找对抗鲁棒性的上界

Reference

• 综述论文：对抗攻击的12种攻击方法和15种防御方法
• 模拟图像与数字图像
• 如何正确地给图像添加高斯噪声
• Decision boundary
• L1距离和L2距离图像解释