针对多语言文本分类器的生成对抗攻击

当前的对抗攻击算法中，攻击者通过修改文本来欺骗受害者模型，已被反复证明对文本分类器有效。然而，这些攻击通常假设受害者模型是单语言的，无法用于针对多语言受害者模型，鉴于这些模型的使用日益增加，这是一个重大局限。因此，在这项工作中，我们提出了一种方法，通过对抗目标微调多语言释义模型，使其能够生成针对多语言分类器的有效对抗样本。训练目标包含一组预训练模型，以确保生成文本的文本质量和语言一致性。此外，所有模型通过词汇映射矩阵适当地连接到生成器，使得整个训练流程实现完全的端到端可微性。在两个多语言数据集和五种语言上的实验验证表明，与现有基线相比，所提方法有效，特别是在查询效率方面。我们还对生成的攻击进行了详细分析，并讨论了未来研究的局限性和机遇。