一种用于对抗鲁棒防御的加密视觉Transformer随机集成方法
人工智能
2024-02-13 v1
摘要
深度神经网络（DNNs）众所周知易受对抗样本（AEs）攻击。在先前的研究中，使用密钥加密的模型被证明对白盒攻击具有鲁棒性，但对黑盒攻击则不然。本文提出了一种新颖的方法，利用视觉Transformer（ViT）构建加密模型的随机集成，以增强对白盒和黑盒攻击的鲁棒性。此外，采用一种名为AutoAttack的基准攻击方法对模型进行测试，以客观评估对抗鲁棒性。在实验中，该方法在CIFAR-10和ImageNet数据集上的图像分类任务中被证明不仅对白盒攻击，而且对黑盒攻击都具有鲁棒性。该方法还在对抗鲁棒性标准化基准RobustBench上与当前最优方法进行了比较，并验证了其在干净准确率和鲁棒准确率方面均优于传统防御方法。
引用
@article{arxiv.2402.07183,
title = {A Random Ensemble of Encrypted Vision Transformers for Adversarially Robust Defense},
author = {Ryota Iijima and Sayaka Shiota and Hitoshi Kiya},
journal= {arXiv preprint arXiv:2402.07183},
year = {2024}
}
备注
9 pages