Ian Goodfellow牵头举办NIPS机器学习对抗赛，提升系统鲁棒性

本篇文章1144字，读完约3分钟

viapulse2

每年年底举行的Nips是激励学者的顶级学术活动。雷锋。(公开号码:雷锋。com)获悉，今年首次增加了新的议程“nips 2017竞赛路线”。在这次竞赛中，从23个候选方案中选出了五个数据驱动的竞赛，涵盖了广泛的领域。今天，谷歌大脑研究员伊恩古德费勒在推特上强烈推荐了他组织的对抗性攻击和防御竞赛。尼古拉斯·帕佩诺特也表示支持转发。

比赛由阿列克谢·库拉金、伊恩·古德费勒和萨米·本吉奥组织。目前，大多数现有的机器学习分类器鲁棒性差，容易受到反向样本的影响。稍加修改后，机器学习分类器可能会混淆和分类不正确。这些修改可能使人类几乎看不到区别，这可能对机器学习分类器的安全性产生不利影响。因此，本次比赛的主要目的是加快机器学习分类器的对立样本的研究，提高其鲁棒性。

Kaggle不久前被谷歌收购，所以这场竞争自然会在kaggle上发布。虽然具体的介绍张贴在卡格尔，这一比赛仍然必须遵循有关规定的nips 2017年比赛轨道。

比赛的全称是“无针对性的提前攻击”，其简介是“以欺骗分类模型的方式冲动地变换图像”，也就是说，有必要通过欺骗分类模型来巧妙地替代他人。具体来说，它分为三个比赛:

非目标提前攻击，竞争对手提交的系统需要处理给定的图片，这使得一般的机器学习分类器无法识别。

有针对性的对抗攻击，由竞争者提交的系统需要对给定的图像进行处理，这样一个通用的机器学习分类器就可以成功地识别出该图像属于某一特定类别。

针对对抗攻击，竞争对手需要构建一个机器学习分类器，该分类器具有足够的鲁棒性，能够正确识别对抗图像。

比赛将在给定的数据集中进行测试，参与者需要为数据集中的每个图像生成相应的对抗样本。所有生成的图片将在所有提交的防御分类器中进行测试。如果分类器错了，对方将得到一分。每次攻击都将根据以下公式计算。分数越高，攻击系统的效果越好。

在这场比赛中，用于攻击和防御的分类任务都来自imagenet。谷歌希望参赛者也能建立一个强大的imagenet分类器，并能抵御反击。

此外，为了使比赛更有趣，避免过度使用公共数据，开发和测试数据集将用于评估和测试结果。开发数据集涵盖1000幅图像，而测试数据集目前是保密的，将在比赛后公开。

据介绍，雷锋获悉，三轮开发流程将分别于8月1日、9月1日和9月15日启动，提交截止日期为10月1日。kaggle页面包含比赛的详细信息，因此感兴趣的学生和朋友可以密切关注这场比赛。

Nips简介页:nips.cc/conferences/2017/competitiontrack

Kaggle简介页面:kaggle/c/nips-2017-非目标-对抗-攻击#描述，由雷锋组织。

雷锋文章版权所有。严禁擅自转载。详情请参考转载说明。