面向多视图深度模型的对抗攻击
机器学习
2020-06-22 v1 机器学习
摘要
近期的研究揭示了众多深度机器学习模型对对抗样本的脆弱性。对抗攻击因可用于在模型部署前评估其安全性与鲁棒性而受到越来越多的关注。然而，据我们所知，尚无针对多视图深度模型对抗攻击的专门研究。本文提出两种多视图攻击策略：两阶段攻击（TSA）与端到端攻击（ETEA）。在目标多视图模型所基于的单视图模型已知的温和假设下，我们首先提出 TSA 策略。TSA 的主要思想是利用攻击相应单视图模型所生成的对抗样本来攻击多视图模型，从而将最先进的单视图攻击方法直接扩展至多视图场景。随后，当多视图模型公开时，我们进一步提出 ETEA 策略。ETEA 用于对该目标多视图模型实施直接攻击，其中我们开发了三种有效的多视图攻击方法。最后，基于对抗样本在不同模型间泛化良好的事实，本文以多视图卷积神经网络的对抗攻击为例，验证所提多视图攻击的有效性。大量实验结果表明，我们的多视图攻击策略能够攻击多视图深度模型，并且我们额外发现多视图模型比单视图模型更为鲁棒。
引用
@article{arxiv.2006.11004,
title = {Adversarial Attacks for Multi-view Deep Models},
author = {Xuli Sun and Shiliang Sun},
journal= {arXiv preprint arXiv:2006.11004},
year = {2020}
}