通过均匀尺度与混合掩码方法提升对抗迁移性
计算机视觉与模式识别
2023-11-22 v1
摘要
由替代模型生成的对抗样本通常具备欺骗其他黑盒模型的能力，这一特性被称为迁移性。近期研究聚焦于增强对抗迁移性，其中输入变换是最有效的方法之一。然而，现有输入变换方法存在两个问题。首先，某些方法（如尺度不变方法）采用指数递减的尺度不变参数，降低了在多个尺度上生成有效对抗样本的适应性。其次，大多数混合方法仅将候选图像与源图像线性组合，导致特征融合效果减弱。为应对这些挑战，我们提出一种称为均匀尺度与混合掩码方法（US-MM）的对抗样本生成框架。均匀尺度方法以线性因子探索扰动的上界与下界，最小化尺度副本的负面影响。混合掩码方法以非线性方式将掩码引入混合过程，显著提升混合策略的有效性。我们进行了消融实验以验证US-MM中各组件的有效性并探究超参数的影响。在标准ImageNet数据集上的实证评估表明，与最先进方法相比，US-MM的平均迁移攻击成功率提升了7%。
引用
@article{arxiv.2311.12051,
title = {Boost Adversarial Transferability by Uniform Scale and Mix Mask Method},
author = {Tao Wang and Zijian Ying and Qianmu Li and zhichao Lian},
journal= {arXiv preprint arXiv:2311.12051},
year = {2023}
}