基于混沌变分自编码器的对抗机器学习
机器学习
2023-02-28 v1 密码学与安全
摘要
机器学习（ML）已成为几乎所有领域的新工具。这使其通过各种对抗攻击成为欺诈者的目标，从而阻碍ML模型的性能。规避攻击和基于数据投毒的攻击广为人知，尤其在金融、医疗等领域。这促使我们提出一种基于变分自编码器（VAE）对抗样本生成的新型计算代价较低的攻击机制。众所周知，小波神经网络（WNN）在解决图像和音频处理、语音识别以及时间序列预测方面被认为计算高效。本文提出VAE-Deep-WNN，其中编码器和解码器采用WNN网络。此外，我们提出了VAE与多层感知机（MLP）和Deep-WNN的混沌变体，并分别命名为C-VAE-MLP和C-VAE-Deep-WNN。此处，我们采用Logistic映射在潜空间生成随机噪声。在本文中，我们进行了基于VAE的对抗样本生成，并将其应用于金融和网络安全领域相关问题，如贷款违约、信用卡欺诈和客户流失建模等。我们对逻辑回归（LR）和决策树（DT）模型进行了规避攻击和数据投毒攻击。结果表明，在大多数数据集和模型中，VAE-Deep-WNN优于其余模型。然而，其混沌变体C-VAE-Deep-WNN在大多数数据集中表现与VAE-Deep-WNN几乎相似。
引用
@article{arxiv.2302.12959,
title = {Chaotic Variational Auto encoder-based Adversarial Machine Learning},
author = {Pavan Venkata Sainadh Reddy and Yelleti Vivek and Gopi Pranay and Vadlamani Ravi},
journal= {arXiv preprint arXiv:2302.12959},
year = {2023}
}
备注
24 pages, 6 figures and 5 tables