基于混合专家方法的有效通用无限制对抗攻击
机器学习
2026-02-24 v1 密码学与安全
摘要
近期研究表明,深度学习模型易受对抗样本的攻击,对抗样本通常是指经过有意修改以欺骗机器学习分类器的数据(一般为图像)。在本文中,我们提出一种多目标嵌套进化算法,在黑盒场景下生成通用无限制对抗样本。无限制攻击通过应用多个图像处理库、现代相机和移动应用程序中可用的知名图像滤波器来实现。多目标优化不仅考虑攻击成功率,还考虑检测率。实验结果表明,该方法能够创建一系列滤波器,生成非常有效且不可检测的攻击。
引用
@article{arxiv.2103.00250,
title = {Effective Universal Unrestricted Adversarial Attacks using a MOE Approach},
author = {A. E. Baia and G. Di Bari and V. Poggioni},
journal= {arXiv preprint arXiv:2103.00250},
year = {2026}
}