申请/专利权人：浙江工业大学

申请日：2021-06-11

公开（公告）日：2024-03-19

公开（公告）号：CN113283599B

主分类号：G06N3/094

分类号：G06N3/094;G06N3/045;G06N3/0475;G06N3/0464;G06F18/2415;G06F21/55

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.09.07#实质审查的生效;2021.08.20#公开

摘要：本发明公开了一种基于神经元激活率的对抗攻击防御方法，包括：1获取图像数据集并进行预处理，构建训练集和测试集；2构建CNN网络结构的分类器模型；3构建二分类判别器D，对分类器模型关于输入本x的输出N进行判定；4根据分类器模型和二分类判别器D的损失函数构建整体的损失函数，确定整体优化目标；采用训练集对整体模型进行联合训练，当整体的损失函数收敛时，停止训练并保存模型；5输入测试集对训练后的分类器模型进行测试，若分类准确率低于阈值，则修改整体损失函数的λ，按步骤4再次进行训练，直至分类准确率高于阈值。本发明的防御方法具有良好的适用性和准确率，对对抗攻击有良好的防御效果。

主权项：1.一种基于神经元激活率的对抗攻击防御方法，其特征在于，包括以下步骤：1获取图像数据集并进行预处理，构建训练集和测试集；2利用tfleran中的库函数搭建卷积神经网络：将卷积层、池化层、dropout层和全连接网络进行组合，构建CNN网络结构的分类器模型；包括：2.1利用tfleran中的库函数搭建卷积神经网络：将卷积层、池化层、dropout层和全连接网络进行组合，构建CNN网络结构的分类器模型；分类器模型的输入层大小与训练集图像大小相同；2.2将训练集样本x及其对应类标y输入到分类器模型中进行训练，分类器模型的损失函数定义为： 其中Lmodel表示分类器模型的loss函数；K为训练集的样本总数；CE·表示交叉熵函数；i表示样本的索引；2.3给定训练完成的分类器模型f·和输入样本x，模型未经过全连接网络的激活函数处理的输出为fx＝N，其中N1＝{n1，n2，...，nm}为分类器模型的一组神经元，l表示模型的层，n为神经元，m为神经元的索引；记为第i个神经元对于输入x的激活值；若满足以下公式，则第i个神经元被激活： 神经元激活率hx定义如下： 其中Nl表示l层的神经元总数；3构建二分类判别器D，对分类器模型关于输入本x的输出N进行判定；所述的二分类判别器D由全连接层组合而成；二分类判别器D的输入大小与分类器模型的输出大小相同；4根据分类器模型和二分类判别器D的损失函数构建整体的损失函数，确定整体优化目标；采用训练集对整体模型进行联合训练，当整体的损失函数收敛时，停止训练并保存模型；5输入测试集对训练后的分类器模型进行测试，若分类准确率低于阈值，则修改整体损失函数的λ，按步骤4再次进行训练，直至分类准确率高于阈值。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于神经元激活率的对抗攻击防御方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD