申请/专利权人:湖南大学
申请日:2021-04-16
公开(公告)日:2021-07-16
公开(公告)号:CN113127857A
主分类号:G06F21/55(20130101)
分类号:G06F21/55(20130101);G06N3/04(20060101);G06N3/08(20060101)
优先权:
专利状态码:有效-授权
法律状态:2022.05.31#授权;2021.08.03#实质审查的生效;2021.07.16#公开
摘要:本发明公开了一种针对对抗性攻击的深度学习模型防御方法,包括获取待训练的原始深度学习模型和原始训练数据;构建转换层;对原始训练数据进行数据转换并补充数据构成训练数据;对待训练的原始深度学习模型进行训练得到深度学习模型;将转换层插入到深度学习模型的输入层后面得到高鲁棒性深度学习模型;在高鲁棒性深度学习模型工作时对输入的数据进行监测,并采用深度学习模型中的转换层进行对应的防御。本发明还公开了包括所述针对对抗性攻击的深度学习模型防御方法的深度学习模型。本发明提高了模型在面对各类对抗样本时的鲁棒性,同时保证了模型的精度不受到影响;而且通用性高、可靠性好且防御效果好。
主权项:1.一种针对对抗性攻击的深度学习模型防御方法,包括如下步骤:S1.获取待训练的原始深度学习模型和原始训练数据;S2.构建转换层;S3.采用步骤S2构建的转换层,对步骤S1获取的原始训练数据进行数据转换,并将转换后的数据补充到原始训练数据当中,构成训练数据;S4.采用步骤S3得到的训练数据,对待训练的原始深度学习模型进行训练,得到深度学习模型;S5.将步骤S2构建的转换层插入到步骤S4得到的深度学习模型的输入层后面,得到高鲁棒性深度学习模型;S6.在步骤S5得到的高鲁棒性深度学习模型工作时,对输入的数据进行监测,并采用高鲁棒性深度学习模型中的转换层进行对应的防御。
全文数据:
权利要求:
百度查询: 湖南大学 针对对抗性攻击的深度学习模型防御方法及深度学习模型
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。