[发明专利]一种基于数据防御的深度学习模型优化方法

权利要求书

1.一种基于数据防御的深度学习模型优化方法，其特征是通过在训练阶段将对抗样本注入训练数据集后重新训练模型；采用反馈策略，通过数据防御方法实现针对通用的攻击方法起到效果；利用开源对抗样本生成工具对待测模型以及目标数据集生成对抗样本，比较生成对抗样本前后模型在指定数据集上的成功率。

2.根据权利要求1所描述的通过在训练阶段将对抗样本注入训练数据集后重新训练模型，其特征是：从训练数据集入手，在每个训练步骤中产生对抗样本，并将它们注入训练集，构建鲁棒性更好的模型。

其中L(X|y)是一个损失函数的例子X对应一个真正的标签y,m是训练例子的总数,k是对抗样本的数量,λ是超参数，用来控制对抗样本在损失函数中的相关权重。当k＝0.5m时，即当对抗样本的个数与原始例数相同时，该模型在对抗性训练中效果最好。

3.根据权利要求1所描述的采用反馈策略，通过数据防御方法实现针对通用的攻击方法起到效果；，其特征是：针对不同的对抗样本攻击方法，记录防御方法的优化效果，通过数据制定优化策略，选择不同的模型修改与附加方法或进行组合。将额外的“预输入”层附加到目标网络中，并训练它们对受扰动的图像进行校正。

4.根据权利要求1所描述的利用开源对抗样本生成工具对待测模型以及目标数据集生成对抗样本，比较生成对抗样本前后模型在指定数据集上的成功率，其特征是：构建和部署防御以及通过对抗性攻击对其进行测试的工具。由于防御方法的局限性，采用评估反馈的方法来定制防御策略，以模型优化前后面对对抗样本的争取率为标准，以期能以不同的防御方法来应对不同的攻击方法。