AIM：面向可迁移对抗攻击的额外图像引导生成
计算机视觉与模式识别
2025-01-03 v1 机器学习
摘要
可迁移的对抗样本凸显了深度神经网络(DNN)对各种实际应用中难以察觉扰动的脆弱性。尽管在无定向可迁移攻击方面取得了显著进展，但针对定向可迁移攻击的研究仍是重大挑战。本文聚焦于针对定向可迁移攻击的生成方法。当前的生成攻击侧重于减少对代理模型和源数据域的过拟合，但常常忽视通过额外语义增强迁移性的重要性。为此，我们将一种新颖的即插即用模块引入通用生成器架构，以增强对抗迁移性。具体而言，我们提出了一种语义注入模块(SIM)，利用额外引导图像中包含的语义信息来提高迁移性。引导图像为将目标类别的目标语义以一种简单而有效的方式纳入创建具有定向性和高度可迁移性攻击的方法。此外，我们提出新的损失函数，可更有效地集成语义注入模块以实现定向和非定向攻击。我们在定向和非定向攻击设置下进行全面实验，以展示我们所提出方法的有效性。
引用
@article{arxiv.2501.01106,
title = {AIM: Additional Image Guided Generation of Transferable Adversarial Attacks},
author = {Teng Li and Xingjun Ma and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2501.01106},
year = {2025}
}