.png){kind=icon}
返回
GMDMP: Gaussian Mixture Diffusion Model for Adversarial Purification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5696-0_4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度神经网络在各种算法中的广泛应用引发了对其安全漏洞的担忧。近年来，由于扩散模型具有强大的生成能力，已被用于净化图像中的对抗性噪声。然而，传统扩散模型在正向过程中依赖于单一的Gaussian噪声模型，这可能不足以捕捉数据的复杂分布，特别是在存在对抗性噪声的情况下。本文提出了一种基于高斯混合模型（GMM）的扩散模型用于净化（GMDMP）。该方法将GMM引入去噪扩散概率模型（DDPM）的扩散过程中，利用GMM更灵活的分布特性更准确地捕捉复杂的噪声干扰。在CIFAR-10和ImageNet数据集上的大量对比实验表明，所提出的方法优于当前最先进的基线。在CIFAR-10和ImageNet上，它分别实现了79.88%和56.45%的平均鲁棒准确率，分别提高了8.59%和12.56%。
Keyword:
Adversarial purification
Diffusion model
Gaussian mixture model
期刊
P
IF:
0
论文数:
25
被引数:
0
机构
引用论文
.png){kind=icon}
Mix-DDPM: Enhancing Diffusion Models through Fitting Mixture Noise with Global Stochastic OffsetMix-ddpm: 通过用全局随机偏移拟合混合噪声来增强扩散模型
OAAI
OAAI分享收藏
分享收藏Adversarial Robustness on In- and Out-Distribution Improves Explainability对抗鲁棒性在内部和外部分布上的提升改善了可解释性
PREAI
分享收藏分享收藏The Best Defense is a Good Offense: Adversarial Augmentation Against Adversarial Attacks以攻为守：对抗性增强对抗对抗性攻击OAAI
OAAI分享收藏 没有更多内容
没有更多内容