通过分层生成网络提升目标对抗样本的可迁移性
机器学习
2022-07-25 v2 人工智能
摘要
基于迁移的对抗攻击可在黑盒设定下评估模型鲁棒性。若干方法已展现出令人印象深刻的无目标可迁移性，然而高效生成有目标可迁移性仍具挑战。为此，我们开发了一个简单而有效的框架，利用分层生成网络来构造有目标、基于迁移的对抗样本。具体而言，我们对良好适配于多类有目标攻击的摊销设计作出了贡献。在ImageNet上的大量实验表明，我们的方法相较现有方法显著提升了有目标黑盒攻击的成功率——仅基于一个替代白盒模型，其对六种不同模型的平均成功率达到29.1%，显著优于最先进的基于梯度的攻击方法。此外，所提方法比基于梯度的方法效率高出逾一个数量级。
引用
@article{arxiv.2107.01809,
title = {Boosting Transferability of Targeted Adversarial Examples via Hierarchical Generative Networks},
author = {Xiao Yang and Yinpeng Dong and Tianyu Pang and Hang Su and Jun Zhu},
journal= {arXiv preprint arXiv:2107.01809},
year = {2022}
}