欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202510697106X
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于架构搜索和训练的防御对抗性攻击方法,其特征在于,包括以下步骤:构建对抗网络架构搜索空间,定义计算单元为若干有序节点和连接节点的边及边上的对应操作的有向无环图;

根据搜索空间构建初始对抗网络模型,利用初始对抗网络模型生成对抗性样本,与正常样本的混合打乱生成混合对抗数据集;

利用混合对抗性数据集进行搜索,并在搜索过程中引入对抗一致性惩罚因子,交替更新网络参数和架构参数,直至收敛,包括在每一训练迭代中,先固定架构参数,使用训练数据对网络权重进行一小步更新,再固定网络权重,使用验证集对架构参数进行更新;

双层优化公式为:

;

式中,是在当前架构参数下,通过优化训练损失得到的最优权重,为正则化系数,表示训练集上的正常损失函数,衡量模型在正常样本上的性能;表示对抗样本,表示输入标签,表示输入样本;

通过剪枝操作保留概率最大操作,实现架构离散化,得到特征提取模块、下采样模块两种计算单元,对两种计算单元进行交替堆叠得到初始神经网络;

用混合对抗数据集对神经网络进行训练,在训练过程中引入对抗一致性惩罚因子,直至收敛得到鲁棒性良好的神经网络;

搜索过程中引入对抗一致性惩罚因子,约束模型对同一样本的干净输入与对抗输入在预测输出上的差异,进一步提升网络对小幅扰动的稳定性;

式中,为损失函数的权重系数,控制一致性损失在总损失中的重要程度;为模型在输入下的输出,是模型参数;

表示原始样本对应的对抗样本;

范数,表示向量中各元素绝对值的和,用于衡量模型在干净样本x和对抗样本上的输出差异。

2.根据权利要求1所述的一种基于架构搜索和训练的防御对抗性攻击方法,其特征在于,对抗网络架构搜索空间为基于有向无环图的可微超网络结构,并通过连续化的方式引入架构参数,使得网络结构可通过梯度优化自动搜索;每一个节点表示一个中间特征,每条边表示一种可能的操作;

为实现梯度优化,采用softmax函数对每条边上各个操作赋予权重,实现从离散结构到连续空间的映射,对边上的操作。

3.一种基于架构搜索和训练的防御对抗性攻击系统,其特征在于,用于执行如权利要求1所述的一种基于架构搜索和训练的防御对抗性攻击方法,包括构建模块,用于构建对抗网络架构搜索空间,定义计算单元为若干有序节点和连接节点的边及边上的对应操作的有向无环图;

样本生成模块,用于根据搜索空间构建初始对抗网络模型,利用初始对抗网络模型生成对抗性样本,与正常样本的混合打乱生成混合对抗数据集;

搜索模块,用于利用混合对抗性数据集进行搜索,并在搜索过程中引入对抗一致性惩罚因子,交替更新网络参数和架构参数,直至收敛;

模型构建模块,用于通过剪枝操作保留概率最大操作,实现架构离散化,得到特征提取模块、下采样模块两种计算单元,对两种计算单元进行交替堆叠得到初始神经网络;

训练模块,用于用混合对抗数据集对神经网络进行训练,在训练过程中引入对抗一致性惩罚因子,直至收敛得到鲁棒性良好的神经网络。