[发明专利]一种程序化噪声对抗样本攻击的防御方法在审
| 申请号： | 202210644774.2 | 申请日： | 2022-06-08 |
| 公开（公告）号： | CN115358382A | 公开（公告）日： | 2022-11-18 |
| 发明（设计）人： | 丁勇;唐呈俊;李振宇;杨炳年 | 申请（专利权）人： | 桂林电子科技大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N20/20;G06F21/50 |
| 代理公司： | 桂林文必达专利代理事务所(特殊普通合伙) 45134 | 代理人： | 张学平 |
| 地址： | 541004 广西*** | 国省代码： | 广西;45 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 程序化 噪声 对抗 样本 攻击 防御 方法 | ||
1.一种程序化噪声对抗样本攻击的防御方法，其特征在于，包括以下步骤：
S1使用训练数据集对神经网络模型进行训练，得到预训练模型；
S2使用程序性噪声对抗样本对所述训练数据集进行扰动，得到扰动数据集；
S3使用所述扰动数据集对得到预训练模型进行训练，得到对抗样本微调模型；
S4在所述对抗样本微调模型中添加程序性造成扰动，得到噪声扰动模型；
S5利用集成学习算法模型将所述噪声扰动模型与原始对抗模型结合，得到防御方法。
2.如权利要求1所述的程序化噪声对抗样本攻击的防御方法，其特征在于，
所述使用训练数据集对神经网络模型进行训练，得到预训练模型的具体方式为：
S11对神经网络模型进行初始化，得到初始化模型；
S12通过学习率为0.001的优化器使用训练数据集对所述初始化模型进行训练，得到预训练模型。
3.如权利要求2所述的程序化噪声对抗样本攻击的防御方法，其特征在于，
所述使用程序性噪声对抗样本对所述训练数据集进行扰动，得到扰动数据集的具体方式为：
S21设定程序性噪声函数；
S22在所述程序性噪声函数中搜索噪声参数，得到对抗样本；
S23使用所述对抗样本对所述训练数据集的任意样本进行扰动；
S24循环步骤S21至S23，直至所述训练数据集的所有样本均被扰动，得到扰动数据集。
4.如权利要求3所述的程序化噪声对抗样本攻击的防御方法，其特征在于，
所述使用所述扰动数据集对得到预训练模型进行训练，得到对抗样本微调模型的具体方式为：
通过学习率为0.0001的优化器使用所述扰动数据集对所述优化模型进行训练，得到对抗样本微调模型。
5.如权利要求4所述的程序化噪声对抗样本攻击的防御方法，其特征在于，
所述利用集成学习算法模型将所述噪声扰动模型与原始对抗模型结合，得到防御方法的具体方式为：
S51对原始神经网络模型进行训练，得到原始对抗模型；
S52基于所述原始对抗模型构建集成学习算法模型；
S53对所述集成学习算法模型进行训练，得到集成优化模型；
S54使用所述集成优化模型将噪声扰动模型与所述原始对抗模型结合，得到防御方法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于桂林电子科技大学，未经桂林电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202210644774.2/1.html，转载请声明来源钻瓜专利网。
