ROBUSTNESS TO ADVERSARIAL EXAMPLES THROUGH AN ENSEMBLE OF SPECIALISTS

1.利用FGSM方法得到模型的混淆矩阵：

根据混淆矩阵将数据分为2K+1个子集，在每个子集上训练分类器。

2.伪代码如下：

2k个专家子集和一个训练10分类的cnn ensemble

3.实验考虑三种模型
单个CNN，简单集成CNN，specialists +1，其中每个卷积网都是（32+32+64+全连接+softmax。

投票机制无法使用通才来激活相关专家，因为通常这会遭到对手的欺骗。在算法1中，我们提出了一种投票机制来计算最终预测。每个班级在M个班级子集中出现次时，班级的最大预期投票数为。同样，我们将定义为给定输入图像x（算法1第1行中的方程式）分类为的实际票数。如果只有一个类别的实际投票数等于其最大预期投票数（即），则表示所有K个相关专家和通才都同意投票给获胜者。然后，只有那些投票选出获胜者类别的CNN才能被激活，以便计算最终预测。否则，如果没有一个阶级获得其最大的预期投票数，则意味着至少一个人被骗了。因此，某些选票在不同类别之间分配不正确。在存在这种熵的情况下，即没有获胜者类别的情况下，应激活所有个人以计算最终预测。
4.实验结果
specialists +1方法能够很好地区分对抗样本和干净样本，拒绝可疑的样本，从而提高对各种对抗样本的稳定性。