可迁移对抗攻击基准测试
计算机视觉与模式识别
2024-02-19 v3 机器学习
摘要
深度学习模型抵御对抗攻击的鲁棒性仍是一个关键问题。本研究首次对对抗攻击的可迁移性方面进行了详尽综述。它系统地分类并批判性评估了为增强对抗攻击可迁移性而开发的各种方法。本研究涵盖了一系列技术，包括生成结构、语义相似性、梯度编辑、目标修改和集成方法。同时，本文引入了一个基准框架 \textit{TAA-Bench}，集成了十种领先的对抗攻击可迁移性方法，从而为跨不同模型架构的比较分析提供了一个标准化且系统化的平台。通过全面审查，我们阐明了每种方法的有效性与局限性，揭示了其底层运作原理与实际效用。本综述旨在成为该领域学者与从业者的典范资源，描绘对抗可迁移性的复杂图景，并为此重要领域的未来探索奠定基础。相关代码库可访问：https://github.com/KxPlaug/TAA-Bench
引用
@article{arxiv.2402.00418,
title = {Benchmarking Transferable Adversarial Attacks},
author = {Zhibo Jin and Jiayu Zhang and Zhiyu Zhu and Huaming Chen},
journal= {arXiv preprint arXiv:2402.00418},
year = {2024}
}
备注
Accepted by NDSS 2024 Workshop