Eidos：高效、难以察觉的3D点云对抗攻击

3D点云分类是一项具有挑战性的机器学习任务，在从自动驾驶和机器人辅助手术到低轨道地球观测等一系列重要实际应用中发挥着作用。与其他机器学习任务一样，分类模型在面对对抗攻击时非常脆弱。这些攻击源于对输入的难以察觉的改变，导致看似训练良好的模型最终错误分类输入。本文通过提出Eidos框架（一种高效、难以察觉的3D点云对抗攻击框架）来加深对对抗攻击的理解。Eidos支持多种难以察觉性度量。它采用迭代的两步过程来识别最优对抗样本，从而实现运行时-难以察觉性的权衡。我们提供了相对于几种流行的3D点云分类模型和几种已建立的3D攻击方法的实证证据，表明Eidos在效率和难以察觉性方面的优越性。