买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明公开了一种基于批利普希茨常数限制的鲁棒性对抗训练方法，属于人工智能模型分析技术领域，包括如下步骤：获取神经网络训练好的分类器；基于训练好的分类器，得到批利普希茨常数限制的损失函数；基于批利普希茨常数限制的损失函数，进行反向传播与梯度下降，得到目标神经网络，完成基于批利普希茨常数限制的鲁棒性对抗训练；本发明在计算利普希茨常数的时候，从批的角度考虑整个数据集的情况，用批的局部利普希茨常数的来估算整体的利普希茨函数，解决了现有对抗性人工智能算法难以兼顾实用性与效果从而导致算法安全性不足的问题。

主权项：1.一种基于批利普希茨常数限制的鲁棒性对抗训练方法，其特征在于，包括如下步骤：S1、获取神经网络训练好的分类器；S2、基于训练好的分类器，得到批利普希茨常数限制的损失函数；所述步骤S2包括如下步骤：S21、基于训练好的分类器，得到全局利普希茨常数；所述步骤S21中全局利普希茨常数的表达式如下： 其中，Lα,βf,χ表示全局利普希茨常数，χ表示分类器输入空间，sup表示上确界，x表示第一输入图片，y表示第二输入图片，fx表示第一输入图片x的预测结果，fy表示第二输入图片y的预测结果，α表示向量取模的α模，β向量取模的β模，||||表示取向量范数；S22、基于全局利普希茨常数，得到局部利普希次常数；所述步骤S22中的局部利普希次常数的表达式如下： 其中，表示局部的第k类利普希次常数，fkx表示第一输入图片x对应的分类器f输出的第k类预测结果，fky表示第二输入图片y对应的分类器f输出的第k类预测结果；S23、基于局部利普希次常数，得到神经网络的利普希次常数；所述步骤S23中神经网络的利普希次常数表达式如下： 其中，表示神经网络的利普希次常数，lk′x表示第一输入图片对应的第k′类损失函数结果，lk′y表示第一输入图片对应的第k′类损失函数结果；S24、基于神经网络的利普希次常数，定义神经网络的损失函数；所述步骤S24中神经网络的损失函数表达式如下： 其中，Lx,y表示第一输入图片x与第二输入图片y间的距离，E·表示期望值，lx表示第一输入图片x对应的损失函数结果，ly表示第二输入图片y对应的损失函数结果，max表示取最大值，i表示图像的第i类分类，C表示分类类别总数；S25、通过梯度下降计算，得到交叉熵最大时的向量增量；所述步骤S25中交叉熵最大时的向量增量表达式如下： 其中，δ表示交叉熵最大时的向量增量，argmax表示最大值自变量点集；S26、基于交叉熵最大时的向量增量和神经网络的损失函数，得到批利普希茨常数限制的损失函数；所述步骤S26中批利普希茨常数限制的损失函数表达式如下： S3、基于批利普希茨常数限制的损失函数，进行反向传播与梯度下降，得到目标神经网络，完成基于批利普希茨常数限制的鲁棒性对抗训练。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于批利普希茨常数限制的鲁棒性对抗训练方法