大数据文摘作品，转载要求见文末
编译 | Saint, Aileen
导读：OpenAI于2017年7月17日发表新博客，表示他们的新研究成果已经创造出一些图像，确实能够从不同尺度和不同视角骗过神经网络分类器。这挑战了上周出现的“很难恶意欺骗自动驾驶汽车，因为它们可以从不同尺度，角度、视角等方面来捕捉图像“的说法）。他们的方法可以骗过各种算法，说这张有着喵星人的图并不是小猫，而是一个显示屏，一只鸵鸟或者一口大铁锅。
大数据文摘后台回复”欺骗“获得本文相关的所有论文。
这张人畜无害的小猫咪照片，由标准彩色打印机打印出来，不管如何放大缩小或翻转，都骗得神经网络分类器认为它是个显示器或台式电脑。OpenAI期待进一步的参数调试能移除图片上任何肉眼可见的人工痕迹。
这项研究似乎意在反驳上周引起讨论的一篇论文“NO Need to Worry about AdversarialExamples in Object Detection in Autonomous Vehicles“。该文中说，大多数机器学习算法易于对抗扰动，自动驾驶汽车很难被恶意欺骗，因为它们可以从不同尺度，角度、视角等方面来捕捉图像。显然，这些图片对这一说法发起了挑战。
非常规的对抗样本确实在图像转换中失效了。如下，我们将出示同样一张猫咪的照片，由ImageNet训练的第3版分类模型（Inception V3） 将其对抗摄动、错误地把图片分类为台式电脑。轻微地放大1.002倍就可能让分类器修正错误，用“虎斑猫“的标签覆盖台式电脑的对抗标签。
然而，既然已经证明对抗样本能够被迁移到物质世界（详情见论文” ADVERSARIAL EXAMPLESIN THE PHYSICAL WORLD“），我们有理由怀疑，只要积极尝试就能生成稳定的对抗样本。
我们可以通过称作投影梯度下降的优化方法来创造对抗样本，可以发现小的图像扰动能随意骗过分类器。
无须为找到一个单点对抗的输入而不断优化，我们可以集合大量的随机分类器，在分类前就调节输入比例，以此进行优化。
通过这样的集合来进行优化，可以生成稳健的尺度不变的对抗样本。
下面是一个尺度不变的对行样本。
即便我们设定约束条件，仅仅调整与这只猫咪相关的像素，我们还是可以创造出单扰动图像。同时在各种目标尺度下对抗。
通过增加随机翻转、转译、尺度、噪声，和均值漂移等训练扰动，同样的技术手段能够让单个输入在以上任意转换下保持对抗。
以上是一个“转换不变”的对抗样本。注意，这在视觉上比尺度不变的样本扰动更大。这可能很容易理解：直觉上来说，在一个对更多转换保持不变样本上，小的对抗扰动的变化是更难被察觉到的。
在测试的时候，OpenAI的转换是随机抽取的，这说明我们的样本对于整体的变化分布而言是不变的。
有人在Reddit提问这个方法是否适用于所有的对抗样本，比如为什么选择骗算法这张图是“显示屏”而不是什么别的物品？本文作者在Reddit说，其他的也适用，“显示屏”是我们随便选的，我们也可以轻松的骗过算法说这张图不是小猫，而是一只鸵鸟或者一口大锅…
原文地址https://blog.openai.com/robust-adversarial-inputs/
关于转载
如需转载，请在开篇显著位置注明作者和出处（转自：大数据文摘 | bigdatadigest），并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑，可直接转载，转载后请将转载链接发送给我们；有原创标识文章，请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者，我们将依法追究其法律责任。联系邮箱：[email protected]。
点击图片阅读
卷积？神经？网络？教你从读懂词语开始了解计算机视觉识别最火模型 | CNN入门手册（上）
