敵対的訓練のノルム無関係なロバスト性について

敵対的例は、機械学習モデルを欺くために慎重に摂動された入力です。このような例に対する広く認められた防御方法は、敵対的訓練であり、敵対的例を訓練データに注入してロバスト性を高めます。本稿では、最新の敵対的訓練の望ましくない特性を明らかにする新たな攻撃を提案します。それは、₂および_ノルムの摂動に対して同時にロバスト性を獲得できないことです。この問題に対する可能な解決策とその限界についても議論します。