反向传播线性化提升对抗样本的迁移性
机器学习
2020-12-08 v1 密码学与安全
计算机视觉与模式识别
摘要
深度神经网络(DNNs)对对抗样本的脆弱性已引起社区的广泛关注。本文研究此类样本的迁移性,其为针对 DNNs 的许多黑盒攻击奠定了基础。我们重新审视 Goodfellow 等人提出的一个不算新但值得注意的假设,并揭示可通过以适当方式提升 DNNs 的线性来增强迁移性。我们引入线性反向传播(LinBP),一种利用现成基于梯度的攻击、以更线性方式执行反向传播的方法。更具体地,它前向计算如常,但反向传播损失时仿佛在前向过程中未遇到某些非线性激活。实验结果表明,这一简单而有效的方法在 CIFAR-10 和 ImageNet 上生成可迁移对抗样本时明显优于当前最优方法,从而对多种 DNNs 实现更有效的攻击。
引用
@article{arxiv.2012.03528,
title = {Backpropagating Linearly Improves Transferability of Adversarial Examples},
author = {Yiwen Guo and Qizhang Li and Hao Chen},
journal= {arXiv preprint arXiv:2012.03528},
year = {2020}
}
备注
Accepted by NeurIPS 2020