CT-GAT：基于可迁移性的跨任务生成对抗攻击
计算与语言
2023-11-07 v2
摘要
神经网络模型易受对抗样本攻击，而对抗可迁移性进一步增加了对抗攻击的风险。当前基于可迁移性的方法常依赖替代模型，由于训练数据不可得以及受害模型结构细节未知，在真实场景中往往不切实际且代价高昂。本文中，我们提出一种新方法，通过提取跨多种任务的可迁移特征直接构造对抗样本。我们的核心见解在于对抗可迁移性可跨越不同任务延伸。具体而言，我们使用从多个任务收集的对抗样本数据训练一个名为 CT-GAT 的序列到序列生成模型，以获取通用对抗特征并为不同任务生成对抗样本。我们在十个不同数据集上开展实验，结果表明我们的方法以较小代价实现了更优的攻击性能。
引用
@article{arxiv.2310.14265,
title = {CT-GAT: Cross-Task Generative Adversarial Attack based on Transferability},
author = {Minxuan Lv and Chengwei Dai and Kun Li and Wei Zhou and Songlin Hu},
journal= {arXiv preprint arXiv:2310.14265},
year = {2023}
}
备注
Accepted to EMNLP 2023 main conference Corrected the header error in Figure 3