本发明公开了一种面向广义非负矩阵分解算法的对抗性机器学习防御方法,属于机器学习安全领域。目前,该领域亟待解决的关键技术问题是抵御对抗样本攻击和提高机器学习模型的鲁棒性。本发明首先利用特征压缩的检测方法筛选出部分对抗样本,然后,对比扰动消减前后图像样本通过机器学习模型后的输出结果对对抗样本进一步筛选,从而形成级联融合的广度对抗样本检测方案,提高了图像对抗样本的检测效率,同时在非负矩阵分解算法中引入异常点惩罚机制,提出了基于误差阈值的可屏蔽鲁棒性广义非负矩阵分解算法,消除了异常点数据的影响,提高了机器学习模型的鲁棒性。
📄 202011417784X
📂 G06N20_00
👤 重庆邮电大学
📅 2020-12-07