平滑分类器认证稳健性的一致性正则化 (NeurIPS2020)
该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。
依存关系
conda create -n smoothing-consistency python=3
conda activate smoothing-consistency
# IMPORTANT: Please make sure `pytorch != 1.4.0`
# Currently, our code is not compatible to `pytorch == 1.4.0`;
# See more details at `https://github.com/pytorch/pytorch/issues/32395`.
# Below is for linux, with CUDA 10; see https://pytorc
2023-01-06 00:05:31
9.74MB
1
针对位置优化的对抗补丁进行对抗训练
| | | |
论文代码：
Sukrut Rao，David Stutz，Bernt Schiele。 （2020）针对位置优化的对抗补丁的对抗训练。 在：Bartoli A.，Fusiello A.（编辑）《计算机视觉– ECCV 2020研讨会》中。 ECCV2020。《计算机科学讲义》，第12539卷。ChamSpringer。
设置
要求
Python 3.7或更高版本
火炬
科学的
h5py
scikit图像
scikit学习
可选要求
使用脚本将数据转换为HDF5格式
火炬视觉
枕头
大熊猫
使用Tensorboard日志记录
张量板
除了Python和PyTorch，所有要求都可以使用pip直接安装：
$ pip install -r requirements.txt
设定路径
在 ，设置以下变量：
BASE_DATA ：数据
2021-11-27 16:21:51
58KB
1
自动攻击
“可靠的评估对抗性鲁棒性与各种无参数攻击相结合” 弗朗切斯科·克鲁斯（ Francesco Croce）和马蒂亚斯·海因（ Matthias Hein） ICML 2020
我们建议使用四种不同攻击的组合来可靠地评估鲁棒性：
APGD-CE ，这是我们在交叉熵方面的新的无步长PGD版本，
APGD-DLR ，我们在新的DLR损失上推出的新的无步长PGD PGD版本，
FAB ，将对抗性扰动的规范降到最低 ，
Square Attack ，一种查询效率高的黑盒攻击 。
注意：我们修复了攻击的所有超参数，因此不需要调整就可以测试每个新的分类器。
消息
[2020年10月] AutoAttack在新的基准测试用作标准评估，该基准包含最强大分类器的！ 请注意，此页面和RobustBench的排行榜是同时维护的。
[2020年8月]
更新的版本：为了i）将AutoAtta
2021-02-26 20:03:58
40.47MB
1