基于深度学习的软传感器的对抗性强度增强:使用历史梯度和域调整的对抗性培训策略
Runyuan Guo1, Qingyuan Chen1, Han Liu1
1School of Automation and Information Engineering, Xi'an University of Technology, Xi'an 710048, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
本研究介绍了域自适应对抗训练 (DAAT),以提高基于深度学习的软传感器 (DLSS) 对抗对抗攻击的安全性. 在不牺牲对正常数据的预测准确性的情况下,DAAT提高了模型的稳定性.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 化学工程是化学工程的重要组成部分.
背景情况:
- 基于深度学习的软传感器 (DLSS) 模型提供高预测准确度,但易受对手攻击的影响.
- 现有的对抗性训练方法在转移梯度估计和强大的过拟合方面扎,限制了DLSS的部署.
- 对抗性攻击对DLSS在工业过程中安全可靠的应用构成重大风险.
研究的目的:
- 提出一种新的对抗训练方法,即域适应对抗训练 (DAAT),以提高DLSS的对抗稳定性.
- 为了解决现有的对抗训练方法的局限性,特别是转移梯度估计和强大的过装.
- 提高DLSS模型在现实世界制造环境中的实际应用性和安全性.
主要方法:
- 开发了一种两阶段的方法:基于历史梯度的对抗性攻击 (HGAA) 和域适应性培训.
- HGAA使用历史信息稳定梯度更新,以产生更强大的对抗样本.
- 域适应性培训从对抗和原始样本中学习共同特征,以防止过度拟合和增强强性.
主要成果:
- 提出的DAAT方法有效地提高了DLSS模型的对抗性稳定性.
- DAAT在防范对抗样本和保持正常样本的预测准确性之间取得了平衡.
- 一个关于单晶生长的案例研究表明了DAAT的实际有效性.
结论:
- DAAT提供了一种有效的解决方案,用于提高DLSS模型的对抗性稳定性.
- 该方法解决了对抗训练中的关键挑战,从而实现更安全可靠的软传感器.
- 达特有助于在关键工业应用中安全部署先进的DLSS.
