提升对抗迁移性的锦囊妙计
计算机视觉与模式识别
2024-07-23 v2 机器学习
摘要
深度神经网络被广泛认为易受对抗样本攻击。然而，在白盒设定下生成的普通对抗样本在不同模型间往往表现出较低的迁移性。由于对抗迁移性对实际应用构成更严重威胁，人们提出了多种方法来提升迁移性，包括基于梯度的攻击、基于输入变换的攻击和模型相关攻击等。在本工作中，我们发现现有对抗攻击中的若干微小变化（如迭代次数和步长）会显著影响攻击性能。基于对现有对抗攻击的细致研究，我们提出了一套提升对抗迁移性的锦囊妙计，包括动量初始化、调度步长、对偶样本、基于频谱的输入变换以及若干集成策略。在ImageNet数据集上的大量实验验证了我们所提技巧的高效性，并表明组合使用这些技巧可进一步提升对抗迁移性。我们的工作为增强对抗迁移性提供了实用见解与技术，并通过简单调整即可为提升真实世界应用中的攻击性能提供指导。
引用
@article{arxiv.2401.08734,
title = {Bag of Tricks to Boost Adversarial Transferability},
author = {Zeliang Zhang and Wei Yao and Xiaosen Wang},
journal= {arXiv preprint arXiv:2401.08734},
year = {2024}
}