[发明专利]一种基于VAE-GAN的对抗样本防御方法及系统

权利要求书

1.一种基于VAE-GAN的对抗样本防御方法，其特征在于，所述基于VAE-GAN的对抗样本防御方法使用变分自动编码器VAE和生成对抗网络GAN对对抗样本进行去噪，并利用GAN辅助变分自动编码器VAE的训练，使变分自动编码器VAE输出的图像结果接近原始无噪声图像。

2.如权利要求1所述的基于VAE-GAN的对抗样本防御方法，其特征在于，所述基于VAE-GAN的对抗样本防御方法包括以下步骤：

步骤一，选择合适的网络结构构建VAE-GAN训练网络；

步骤二，对VAE-GAN网络进行训练；

步骤三，使用VAE-GAN模块作为分类器预处理模块防御对抗样本的攻击。

3.如权利要求1所述的基于VAE-GAN的对抗样本防御方法，其特征在于，步骤一中，所述选择合适的网络结构构建VAE-GAN训练网络的方法如下：

选择合适的网络结构构建VAE-GAN训练网络，对于分类器的不同VAE和GAN选择的神经网络结构也不同，对于小的数据集VAE和GAN选择使用DNN结构，对于大的数据集VAE和GAN就需要选择更深的神经网络或者卷积神经网络。

4.如权利要求1所述的基于VAE-GAN的对抗样本防御方法，其特征在于，步骤一中，所述VAE-GAN包含两个部分：VAE部分与GAN部分；VAE主要功能是将输入的图像进行去噪，然后通过GAN使得VAE重建图像分布尽可能的接近原始图像分布；

VAE又可以分为Encoder编码部分以及Decoder解码部分；Encoder主要是将输入的图像样本映射成两组n维矢量，均值矢量和标准差矢量；Decoder主要将这两组n维矢量添加噪声后恢复为原始的图像样本，通过GAN辅助训练变分自动编码器的Decoder；GAN包含两个部分：生成器Generator将一维矢量z转化为图像，辨别器Discriminator用于识别输入图像是真实图像还是生成器生成图像，VAE的解码网络和GAN的生成网络共用网络参数。

5.如权利要求1所述的基于VAE-GAN的对抗样本防御方法，其特征在于，步骤二中，所述对VAE-GAN网络进行训练的方法如下：

在完成VAE-GAN的网络构建后，需要先确定整个网络的优化目标，所述模型整体优化目标函数为：

其中σ和μ表示隐变量z的后验分布的均值和方差，x表示原始图像，表示解码网络的输出，D表示判别网络，G表示生成网络，γ为引入的超参数，取值为0.2；

相应的模型整体损失函数为：

定义完目标函数后，通过梯度下降或其他优化算法进行模型训练。

6.一种实施权利要求1～5任意一项所述基于VAE-GAN的对抗样本防御方法的基于VAE-GAN的对抗样本防御控制系统。

7.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～5任意一项所述基于VAE-GAN的对抗样本防御方法。

8.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～5任意一项所述基于VAE-GAN的对抗样本防御方法。