CGBA:曲率感知的几何黑盒攻击
计算机视觉与模式识别
2023-08-08 v1
摘要
基于决策的黑盒攻击通常需要大量查询才能生成对抗样本。此外,基于在估计法向量方向上查询边界点的决策型攻击常面临效率低和收敛问题。本文提出一种新颖的查询高效曲率感知几何决策型黑盒攻击(CGBA),其在受限二维平面上沿半圆路径进行边界搜索,以确保无论边界曲率如何都能成功找到边界点。虽然所提出的CGBA攻击对任意决策边界均有效,但其在利用低曲率生成高质量对抗样本方面尤其高效,这在常用分类器下的非定向攻击中被广泛观察到并经实验验证。相反,决策边界在定向攻击下常呈现较高曲率。因此,我们开发了适配定向攻击的查询高效变体CGBA-H。此外,我们进一步设计了一种以部分额外查询为代价获取更好初始边界点的算法,显著提升了定向攻击性能。我们在ImageNet和CIFAR10数据集上针对一些知名分类器进行了大量实验评估所提方法,证明了CGBA和CGBA-H分别优于最先进的与非定向和定向攻击。源代码见https://github.com/Farhamdur/CGBA。
引用
@article{arxiv.2308.03163,
title = {CGBA: Curvature-aware Geometric Black-box Attack},
author = {Md Farhamdur Reza and Ali Rahmati and Tianfu Wu and Huaiyu Dai},
journal= {arXiv preprint arXiv:2308.03163},
year = {2023}
}
备注
This paper is accepted to publish in ICCV