约束自适应攻击：针对表格数据深度神经网络的有效对抗攻击
机器学习
2024-06-05 v1 密码学与安全
摘要
最先进的表格数据深度学习模型最近已取得可接受的性能，足以部署在工业环境中。然而，这些模型的鲁棒性仍鲜有探索。与计算机视觉不同，由于表格数据的固有属性，如类别特征、不可变性和特征关系约束，目前尚无有效的攻击方法来恰当评估深度表格模型的对抗鲁棒性。为填补这一空白，我们首先提出CAPGD，一种通过自适应机制克服现有梯度攻击失败点的梯度攻击。这种新攻击无需参数调整，并能进一步降低准确率，相比之前的梯度攻击最多可降低81个百分点。其次，我们设计了CAA，一种高效的逃避攻击，它结合了我们的CAPGD攻击和目前最佳的基于搜索的攻击MOEVA。我们在五种架构和四个关键用例上展示了我们攻击的有效性。我们的实证研究表明，在20个设置中的17个上，CAA优于所有现有攻击，并且与CAPGD和MOEVA相比，分别导致准确率下降高达96.1个百分点和21.9个百分点，同时速度比MOEVA快五倍。鉴于我们新攻击的有效性和高效性，我们认为它们应成为表格机器学习中任何新防御或鲁棒架构的最低测试标准。
引用
@article{arxiv.2406.00775,
title = {Constrained Adaptive Attack: Effective Adversarial Attack Against Deep Neural Networks for Tabular Data},
author = {Thibault Simonetto and Salah Ghamizi and Maxime Cordy},
journal= {arXiv preprint arXiv:2406.00775},
year = {2024}
}