深度神经网络间对抗样本可迁移性综述

深度神经网络（DNNs）的出现通过赋能解决跨越图像识别、自然语言处理与科学问题求解的复杂任务，革新了诸多领域。然而，这一进展也揭示了一个令人担忧的脆弱性：对抗样本。这些经精心构造、人类难以察觉的输入，可操纵机器学习模型作出错误预测，引发对安全关键应用的担忧。该现象一个引人入胜的特性是对抗样本的可迁移性，即为某模型构造的扰动可欺骗另一通常架构不同的模型。这一引人入胜的特性实现了黑盒攻击，规避了对目标模型详细知识的需要。本综述探讨了对抗样本对抗可迁移性的全景。我们对增强对抗可迁移性的现有方法进行分类，并讨论指导各方法的基本原理。尽管研究主体主要集中于图像分类，我们也扩展讨论至其他视觉任务及更广义领域。我们探讨了挑战与机遇，强调了在演进格局中强化 DNN 抵御对抗脆弱性的重要性。