针对人类骨架数据的攻击评估与增强身份识别

在安全应用中使用小数据集训练的机器学习模型尤其容易受到对抗攻击的威胁。从基于激光雷达的骨架数据进行人体身份识别需要为每个受试者获取耗时且昂贵的数据。最近，已用于骨架数据评估与增强身份识别（AAIRS）的方法被用于训练用于人体身份识别的层次共现网络（HCN-ID）。然而，AAIRS不评估HCN-ID对对抗攻击的鲁棒性，也不预防此类攻击。流行的基于扰动的方法生成的对抗攻击受限于添加到真实训练样本上的目标扰动，这对于用小训练集预防模型并不理想。因此，我们提出了Attack-AAIRS，这是AAIRS框架的一种新方法。Attack-AAIRS利用小的真实数据集和GAN生成的合成数据集来评估和提高对未知对抗攻击的鲁棒性。不再受限于有限真实训练样本的扰动，GAN学习对抗攻击样本分布，这些样本利用HCN-ID的弱点。从此分布中抽取的攻击样本用于增强训练，以提高HCN-ID对对抗攻击的鲁棒性。Attack-AAIRS的十折交叉验证显示，针对未知攻击（包括FGSM、PGD、Additive Gaussian Noise、MI-FGSM和BIM）的鲁棒性显著提高。HCN-ID合成数据质量分数表明，Attack-AAIRS生成的攻击样本质量与AAIRS生成的原始良性合成样本相似。此外，预防模型在真实数据上的最终测试准确率保持一致，表明该方法在不降低真实数据测试性能的前提下提高了对抗攻击的鲁棒性。