Energy Attack：关于对抗样本的迁移
机器学习
2021-09-10 v1 计算机视觉与模式识别
摘要
在本工作中，我们提出 Energy Attack，一种基于迁移的黑盒 -对抗攻击。该攻击无需参数，且不需要梯度近似。具体而言，我们首先获取代理模型的白盒对抗扰动，并将这些扰动划分为小块。然后我们利用主成分分析（PCA）提取这些小块的单位分量向量和特征值。基于特征值，我们可以对对抗扰动的能量分布进行建模。随后，我们根据其能量分布从扰动小块中采样以执行黑盒攻击，并将采样的小块平铺以形成全尺寸的对抗扰动。这可以在无法访问受害模型的情况下完成。大量实验充分证明，所提出的 Energy Attack 在各种模型和多个数据集的黑盒攻击中实现了 SOTA 性能。此外，提取的分布能够在不同的模型架构和不同的数据集之间迁移，因此是视觉架构所固有的。
引用
@article{arxiv.2109.04300,
title = {Energy Attack: On Transferring Adversarial Examples},
author = {Ruoxi Shi and Borui Yang and Yangzhou Jiang and Chenglong Zhao and Bingbing Ni},
journal= {arXiv preprint arXiv:2109.04300},
year = {2021}
}
备注
Under Review for AAAI-22