画像シャープニングによる効率的な事前的ロバスト化

要旨: 著しい成功を収めてきた一方で、深層ニューラルネットワークは高次元で頑健性のない表現に依存しているため、移転（転移）シナリオにおいてでさえ、知覚できない微小な摂動に対して脆弱です。これに対処するために、訓練時の防御（例：敵対的学習や頑健なアーキテクチャ設計）および攻撃後の防御（例：入力の精製や敵対的検出）が広く研究されてきました。最近では、攻撃前の防御パラダイムである「事前的な頑健化（preemptive robustification）」と呼ばれる限定的な研究が予備的に検討されており、攻撃の前に良性サンプルへ微細な修正を加えることで、敵対的な摂動に対して能動的に抵抗することを導入します。残念ながら、その実用的な適用可能性は、いくつかの制約により疑わしいままです。これらには、(1) 頑健性の事前知識を与えるための代替物として、十分に訓練された分類器への依存、(2) 頑健化のための反復的な最適化、または頑健化用の訓練済みジェネレータに起因する大きな計算オーバーヘッド、(3) 最適化ベースあるいは生成ベースの頑健化プロセスの解釈可能性の限定、が含まれます。良性サンプルの頑健性がテクスチャ強度と正の相関を持つことを示した最近の研究に触発されて、我々は画像のシャープ化だけで効率的に画像を頑健化できることを示します。筆者らの知る限り、これはサロゲート不要・最適化不要・ジェネレータ不要であり、人間が解釈可能な頑健化アプローチとして初めてのものです。大規模な実験により、シャープ化は低い計算コストで、特に転移シナリオにおいて、顕著な頑健性向上をもたらすことが示されます。