Core Concepts
정확성과 강건성 사이의 균형을 달성하기 위해 기존 정확한 분류기와 강건한 분류기의 출력을 비선형적으로 혼합하는 MixedNUTS 방법을 제안한다.
Abstract
이 논문은 정확성과 강건성 사이의 균형을 달성하기 위한 MixedNUTS 방법을 제안한다.
먼저 저자들은 강건한 분류기가 정확한 예측에 대해 잘못된 예측보다 더 높은 확신을 가지는 "양호한 확신 특성"을 관찰했다. 이를 바탕으로 저자들은 강건한 분류기의 출력 로짓에 비선형 변환을 적용하여 이 특성을 강화하고, 정확한 분류기의 출력과 혼합함으로써 정확성과 강건성의 균형을 달성하는 MixedNUTS 방법을 제안했다.
MixedNUTS는 기존 정확한 분류기와 강건한 분류기의 출력을 비선형적으로 변환하고 혼합하는 방식으로 작동한다. 이때 변환에 사용되는 3개의 매개변수를 효율적인 알고리즘을 통해 최적화한다. 이를 통해 정확성과 강건성의 균형을 달성할 수 있다.
실험 결과, MixedNUTS는 CIFAR-100 데이터셋에서 기존 최고 강건 모델 대비 7.86%p 높은 정확도를 달성하면서도 강건 정확도는 0.87%p만 감소시켰다. ImageNet에서도 유사한 성능 향상을 보였다. 이는 MixedNUTS가 기존 모델들의 정확성-강건성 trade-off를 효과적으로 개선할 수 있음을 보여준다.
Stats
CIFAR-100 데이터셋에서 MixedNUTS는 기존 최고 강건 모델 대비 정확도를 7.86%p 향상시켰다.
CIFAR-100 데이터셋에서 MixedNUTS는 기존 최고 강건 모델 대비 강건 정확도를 0.87%p만 감소시켰다.
ImageNet 데이터셋에서 MixedNUTS는 정확도를 12.14% 향상시키면서도 강건 정확도를 2.62% 감소시켰다.
Quotes
"MixedNUTS는 기존 최고 강건 모델 대비 CIFAR-100 데이터셋에서 정확도를 7.86%p 향상시키면서도 강건 정확도를 0.87%p만 감소시켰다."
"MixedNUTS는 ImageNet 데이터셋에서 정확도를 12.14% 향상시키면서도 강건 정확도를 2.62% 감소시켰다."