通过变形约束扭曲提升跨模型属类的对抗迁移性

由代理模型生成的对抗样本通常对未知目标系统的迁移性有限。为解决此问题，已提出许多迁移性增强方法（如输入变换和模型增强）。然而，它们在攻击具有与代理模型不同模型属类的系统时表现不佳。本文提出了一种新颖且通用的攻击策略，称为变形约束扭曲攻击（DeCoWA），可有效应用于跨模型属类攻击。具体而言，DeCoWA 首先通过弹性变形（即变形约束扭曲，DeCoW）增强输入样本，以获取增强输入的丰富局部细节。为避免随机变形导致的全局语义严重失真，DeCoW 通过一种新颖的自适应控制策略进一步约束扭曲变换的强度和方向。大量实验表明，我们在 CNN 代理上 crafted 的可迁移样本能显著阻碍 Transformer（反之亦然）在图像分类、视频动作识别和音频识别等各种任务上的性能。代码已在 https://github.com/LinQinLiang/DeCoWA 公开。