ترجمه فارسی مقاله OTAD: یک مدل مقاوم بهینه القا شده توسط انتقال برای حمله خصمانه آگنوستیک

چکیده

Deep neural networks (DNNs) are vulnerable to small adversarial perturbations of the inputs, posing a significant challenge to their reliability and robustness. Empirical methods such as adversarial training can defend against particular attacks but remain vulnerable to more powerful attacks. Alternatively, Lipschitz networks provide certified robustness to unseen perturbations but lack sufficient expressive power. To harness the advantages of both approaches, we design a novel two-step Optimal Transport induced Adversarial Defense (OTAD) model that can fit the training data accurately while preserving the local Lipschitz continuity. First, we train a DNN with a regularizer derived from optimal transport theory, yielding a discrete optimal transport map linking data to its features. By leveraging the map’s inherent regularity, we interpolate the map by solving the convex integration problem (CIP) to guarantee the local Lipschitz property. OTAD is extensible to diverse architectures of ResNet and Transformer, making it suitable for complex data. For efficient computation, the CIP can be solved through training neural networks. OTAD opens a novel avenue for developing reliable and secure deep learning systems through the regularity of optimal transport maps. Empirical results demonstrate that OTAD can outperform other robust models on diverse datasets.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی عمیق (DNN) در برابر آشفتگی های مخالف کوچک از ورودی ها آسیب پذیر هستند و یک چالش مهم برای قابلیت اطمینان و استحکام آنها ایجاد می کنند.روشهای تجربی مانند آموزش مخالف می توانند در برابر حملات خاص دفاع کنند اما در برابر حملات قدرتمندتر آسیب پذیر هستند.از طرف دیگر ، شبکه های Lipschitz استحکام معتبر را برای آشفتگی های غیب فراهم می کنند اما فاقد قدرت بیانگر کافی هستند.برای مهار مزایای هر دو رویکرد ، ما یک مدل دفاعی Defendarial Defense (OTAD) بهینه از حمل و نقل دو مرحله ای را طراحی می کنیم که می تواند ضمن حفظ استمرار محلی لیپشیتز ، داده های آموزشی را به طور دقیق متناسب کند.اول ، ما یک DNN را با یک تنظیم کننده مشتق شده از تئوری حمل و نقل بهینه آموزش می دهیم و یک نقشه حمل و نقل بهینه گسسته را به دست می آوریم که داده ها را به ویژگی های آن پیوند می دهد.با استفاده از نظم ذاتی نقشه ، ما با حل مسئله ادغام محدب (CIP) نقشه را برای تضمین خاصیت محلی Lipschitz ، نقشه را درون آن قرار می دهیم.OTAD برای معماری های متنوع Resnet و Transformer قابل گسترش است و آن را برای داده های پیچیده مناسب می کند.برای محاسبه کارآمد ، CIP را می توان از طریق آموزش شبکه های عصبی حل کرد.OTAD یک خیابان جدید برای توسعه سیستم های یادگیری عمیق قابل اعتماد و ایمن از طریق منظم بودن نقشه های حمل و نقل بهینه باز می کند.نتایج تجربی نشان می دهد که OTAD می تواند از سایر مدل های قوی در مجموعه داده های متنوع بهتر عمل کند.