针对胶囊网络的高效且有效的投票攻击
计算机视觉与模式识别
2021-02-22 v1
摘要
标准卷积神经网络（CNNs）易被带有微小准不可感知人工扰动的图像欺骗。作为 CNNs 的替代，近期提出的胶囊网络（CapsNets）在流行攻击协议下比 CNNs 对白盒攻击更具鲁棒性。此外，CapsNets 的类条件重构部分也被用于检测对抗样本。在本工作中，我们研究 CapsNets 的对抗鲁棒性，尤其是当输出胶囊受攻击时 CapsNets 内部机制如何变化。第一个观察是，对抗样本通过操纵来自初级胶囊的投票误导 CapsNets。另一观察是，当我们将为 CNNs 设计的多步攻击方法直接应用于攻击 CapsNets 时，由于计算昂贵的路由机制，计算成本很高。受这两点观察启发，我们提出一种新颖的投票攻击，直接攻击 CapsNets 的投票。我们的投票攻击不仅有效，且通过规避路由过程而高效。此外，我们将投票攻击整合进检测感知攻击范式，可成功绕过基于类条件重构的检测方法。大量实验证明了我们的投票攻击在 CapsNets 上的优越攻击性能。
引用
@article{arxiv.2102.10055,
title = {Effective and Efficient Vote Attack on Capsule Networks},
author = {Jindong Gu and Baoyuan Wu and Volker Tresp},
journal= {arXiv preprint arXiv:2102.10055},
year = {2021}
}