利用全局动量初始化提升对抗攻击的迁移性
计算机视觉与模式识别
2024-07-17 v3 密码学与安全
摘要
深度神经网络(DNNs)易受对抗样本的攻击,对抗样本通过在良性输入上添加人眼难以察觉的扰动而生成。同时,对抗样本在模型间具有迁移性,可实现实用的黑盒攻击。然而,现有方法仍无法达到理想的迁移攻击性能。本文围绕梯度优化与一致性,分析了梯度消除现象以及局部动量最优困境。为应对这些挑战,我们提出全局动量初始化(GI),提供全局动量知识以缓解梯度消除。具体而言,我们在攻击前进行梯度预收敛,并在该阶段进行全局搜索。GI可与现有迁移方法无缝结合,在多种先进防御机制下,相比最先进的方法平均将迁移攻击成功率提升6.4%。最终,GI在图像与视频攻击领域均展现出强迁移性。特别是在图像域攻击先进防御方法时,其平均攻击成功率达95.4%。代码见。
引用
@article{arxiv.2211.11236,
title = {Boosting the Transferability of Adversarial Attacks with Global Momentum Initialization},
author = {Jiafeng Wang and Zhaoyu Chen and Kaixun Jiang and Dingkang Yang and Lingyi Hong and Pinxue Guo and Haijing Guo and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2211.11236},
year = {2024}
}
备注
Accepted by Expert Systems with Applications (ESWA)