通过成本与效用感知提升表格数据的对抗鲁棒性

机器学习的许多安全关键应用，如欺诈或滥用检测，使用表格域中的数据。对抗样本可能对这些应用造成尤其严重的损害。然而，现有的对抗鲁棒性工作主要关注图像和文本域中的机器学习模型。我们认为，由于表格数据与图像或文本之间的差异，现有的威胁模型并不适用于表格域。这些模型没有考虑到攻击的成本可能比不可感知性更重要，也没有考虑到对手可能赋予部署不同对抗样本所获得的效用以不同的价值。我们证明，由于这些差异，用于图像和文本的攻击与防御方法无法直接应用于表格设置。我们通过提出新的成本与效用感知威胁模型来解决这些问题，这些模型专门针对面向表格域的攻击者的对抗能力与约束而定制。我们引入了一个框架，使我们能够设计攻击与防御机制，从而得到受成本与效用感知对手（例如受特定财务预算约束的对手）保护的模型。我们展示了我们的方法在三个对应于对抗样本可能产生经济与社会影响的应用的数据集上是有效的。