在深度学习中,基于自动编码器的防御机制对抗流行的对抗性攻击

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 医疗保健中的网络安全

背景情况:

• 卷积神经网络 (CNN) 模型容易受到对抗性攻击,其中微妙的图像干扰会导致错误分类,在临床环境中构成安全风险.
• 现有的防御机制往往缺乏对多种攻击类型的有效性,需要更强大的解决方案来进行安全的医疗图像分析.
• 可靠的防御框架对于安全的临床部署深度学习模型至关重要,有助于诊断和自动化任务.

研究的目的:

• 开发和评估针对多种对抗性攻击类型的强有力的防御机制,用于在胸部X射线图像中基于CNN的肺炎检测.
• 为了比较拟议的防御战略对抗最先进的攻击和防御机制的性能.
• 确保深度学习模型的安全临床部署,用于医学图像分类.

主要方法:

• 一个卷积自编码器被用来消除由快速梯度符号方法 (FGSM) 和预测梯度下降 (PGD) 攻击产生的对抗图像,这些攻击具有各种大小 (epsilon值).
• 使用两种预训练模型 (VGG16,VGG19) 和混合模型 (堆模型:MobileNetV2 + DenseNet169) 评估性能.
• 该研究分析了应用拟议的防御机制后的攻击成功率和模型精度的提高.

主要成果:

• 预测梯度下降 (PGD) 攻击的成功率很高,VGG16模型的精度降低了高达67%.
• 拟议的卷积自编码器防御机制显著提高了准确性,在VGG16和VGG19型号的PGD攻击中提高了高达16%.
• 与现有的最先进的方法相比,防御框架表现出更高的性能.

结论:

• 开发的防御机制有效地减轻了对基于CNN的医学图像分析的多次对抗性攻击.
• 拟议的方法提高了肺炎检测系统的可靠性和稳定性,为安全的临床整合铺平了道路.
• 这项研究有助于人工智能在医疗保健中的安全应用,提高诊断准确性和运营效率.