实现选定技术内可迁移性水平的逻辑回归对抗扰动强度
机器学习
2018-01-09 v1 机器学习
摘要
机器学习模型已被证明易受对抗样本的攻击，即攻击者在测试时操纵数据以击败防御者的分类器。我们利用防御者分类器上的先验概率分布，给出了在完全或有限知识设定下对抗样本的新概率定义。利用逻辑回归的渐近性质，我们推导了任意对抗扰动强度的闭式表达式，以实现给定的期望误分类率。该技术在已知模型规格但未知训练数据的威胁模型中是相关的。据我们所知，这是首个允许攻击者直接选择攻击成功概率的方法。我们在两个真实世界数据集上评估了我们的方法。
引用
@article{arxiv.1801.01953,
title = {Adversarial Perturbation Intensity Achieving Chosen Intra-Technique Transferability Level for Logistic Regression},
author = {Martin Gubri},
journal= {arXiv preprint arXiv:1801.01953},
year = {2018}
}