统计学及其接口
第17卷（2024年）
编号1
纪念赵林成教授的专刊
对抗性机器学习中基于鲁棒马氏距离估计的异常样本检测
页：91 – 106
内政部：https://dx.doi.org/10.4310/23-SII818
作者
万田（首都师范大学，北京，中国）
张凌月（首都师范大学，中国北京）
崔恒健（首都师范大学，北京，中国）
摘要
针对基于深度学习的计算机视觉中的异常样本检测问题，重点研究了两类异常样本：离群样本和对抗样本。这些异常样本的存在会显著降低深度学习模型的性能和鲁棒性，从而在关键领域带来安全风险。为了解决这个问题，我们提出了一种将稳健马氏距离（RMD）估计与预处理卷积神经网络（CNN）模型相结合的方法。RMD估计涉及使用最小协方差矩阵行列式（MCD）、$T$型和$S$估计量。此外，我们从理论上分析了$T$型估计器的崩溃点和影响函数。为了评估我们方法的有效性和鲁棒性，我们使用了公共数据集、CNN模型和该领域常用的对抗性样本生成算法。实验结果证明了该算法在检测异常样本方面的有效性。
关键词
异常样本检测，MCD估计器，$T$型估计器，分解点，影响函数
2010年数学学科分类
初级62G35、62H30。次要62H35。
收到日期：2022年11月3日
2023年8月24日接受
出版日期：2023年11月27日
