3 方法
让 X X X表示一张图片， y t r u e y^{true} ytrue表示对应的真值标签，我们用 θ \theta θ表示网络参数， L ( X , y t r u e ; θ ) L(X,y^{true};\theta) L(X,ytrue;θ)表示loss。为了生成对抗样本，我们的目标是最大化损失 L ( X + r , y t r u e ; θ ) L(X+r,y^{true};\theta) L(X+r,ytrue;θ)，并且 r r r要在范数约束下尽可能小并且预测标签 y a d v ≠ y t r u e y^{adv}\ne y^{true} yadv=ytrue。在本文中，我们使用 l ∞ l_{\infty} l∞范数来衡量对抗扰动的perceptiblity，即 ∥ r ∥ ∞ ≤ ϵ \Vert r\Vert_{\infty}\le\epsilon ∥r∥∞≤ϵ。loss函数通过如下的方式定义：
L ( X , y t r u e ; θ ) = − 1 y t r u e ⋅ log ( sofxmax ( l ( X ; θ ) ) ) L(X,y^{true};\theta)=-1_{y^{true}}\cdot\text{log}(\text{sofxmax}(l(X;\theta))) L(X,ytrue;θ)=−1ytrue⋅log(sofxmax(l(X;θ)))
这里
扫一扫
1386
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
