面向树数据的对抗性编辑攻击
机器学习
2019-11-12 v2 机器学习
摘要
许多机器学习模型都可能受到对抗样本的攻击，即与正确分类样本相近但被错误分类的输入。然而，迄今为止大多数关于对抗攻击的研究局限于向量数据，尤其是图像数据。在本文中，我们通过引入面向树结构数据的对抗性编辑攻击扩展了该领域，其在医学与自动化程序分析中具有潜在应用。我们的方法仅依赖于树编辑距离和对被攻击分类器的对数次数黑盒查询，无需任何梯度信息。我们在两个编程数据集和两个生物医学数据集上评估了我们的方法，并表明许多既有的树分类器，如树核 SVM 与递归神经网络，都可以被有效攻击。
引用
@article{arxiv.1908.09364,
title = {Adversarial Edit Attacks for Tree Data},
author = {Benjamin Paaßen},
journal= {arXiv preprint arXiv:1908.09364},
year = {2019}
}
备注
accepted at the 20th International Conference on Intelligent Data Engineering and Automated Learning (IDEAL)