Resumen

Es importante detectar muestras adversas en el mundo fsico que estn muy alejadas de la distribucin de los datos de entrenamiento. Algunas muestras adversas pueden hacer que un modelo de aprendizaje automtico genere una distribucin altamente sobreconfiada en la etapa de prueba. As, propusimos un mecanismo para detectar muestras adversariales basado en redes generativas adversariales (GAN) semisupervisadas con una estructura codificador-decodificador; este mecanismo puede aplicarse a cualquier red neuronal preentrenada sin cambiar la estructura de las redes. Las GAN semisupervisadas tambin nos permiten comprender el comportamiento de las muestras adversariales y su flujo a travs de las capas de una red neuronal profunda. En el escenario supervisado, la caracterstica latente de la GAN semisupervisada y la informacin logit de las redes objetivo se utilizan como entrada de la mquina de vectores de soporte del clasificador externo para detectar las muestras adversarias. En el escenario no supervisado, en primer lugar, propusimos un clasificador de una clase basado en la red generativa adversarial condicional de mezcla gaussiana semisupervisada (GM-CGAN) para ajustar la informacin de caractersticas conjuntas de los datos normales y, a continuacin, utilizamos una red discriminadora para detectar los datos normales y las muestras adversas. Tanto en escenarios supervisados como en escenarios no supervisados, los resultados experimentales muestran que nuestro mtodo supera a los mtodos ms recientes.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Detectar; Muestras adversariales; Modelo de aprendizaje automático; GAN semisupervisada; Red neuronal; Red neuronal profunda
• Keywords:Detect; Adversarial samples; Machine learning model; Semisupervised GANs; Neural network; Deep neural network