提升 MLP-Mixer 的对抗迁移性
计算机视觉与模式识别
2022-04-27 v1
摘要
基于 MLP-Mixer 和 ViT 等新架构的模型安全性亟需研究。然而，当前大多数研究主要针对针对 ViT 的对抗攻击，关于 MLP-Mixer 的对抗工作仍然相对较少。我们提出了一种针对 MLP-Mixer 的对抗攻击方法，称为麦克斯韦妖攻击（Maxwell's demon Attack, MA）。MA 通过控制 MLP-Mixer 每个 Mixer 层的部分输入，打破其通道混合（channel-mixing）与令牌混合（token-mixing）机制，并扰动 MLP-Mixer 以获取图像的主要信息。我们的方法能够掩蔽 Mixer 层的部分输入，避免对抗样本对源模型的过拟合，并提升跨架构的迁移性。大量实验评估证明了所提出的 MA 的有效性与优越性能。我们的方法可轻松与现有方法结合，在基于 MLP 的 ResMLP 上可将迁移性提升高达 38.0%。我们的方法在 MLP-Mixer 上生成的对抗样本，其迁移性能够超过使用 DenseNet 针对 CNN 生成的对抗样本。据我们所知，我们是首个研究 MLP-Mixer 对抗迁移性的工作。
引用
@article{arxiv.2204.12204,
title = {Boosting Adversarial Transferability of MLP-Mixer},
author = {Haoran Lyu and Yajie Wang and Yu-an Tan and Huipeng Zhou and Yuhang Zhao and Quanxin Zhang},
journal= {arXiv preprint arXiv:2204.12204},
year = {2022}
}