利用模型架构增强对抗样本的可迁移性
机器学习
2022-03-01 v1 密码学与安全
计算机视觉与模式识别
摘要
对抗样本的可迁移性对于发起黑盒对抗攻击至关重要，其中攻击者仅被允许访问目标模型的输出。然而，在此具挑战性但实际的设定下，所构造的对抗样本总是易于过拟合所采用的代理模型，表现出较差的可迁移性。本文中，我们建议从一新视角缓解过拟合问题，即设计适配的模型架构。具体而言，深入探究差可迁移性之根源，我们论证性地将现有模型架构分解重构为有效模型架构，即多轨模型架构(MMA)。基于MMA构造的对抗样本能最大程度减轻模型特定特征对其的影响，并朝向为多样架构所采用的脆弱方向。大量实验评估表明，基于MMA的对抗样本可迁移性以可比开销显著超越其他最先进模型架构达40%。
引用
@article{arxiv.2202.13625,
title = {Enhance transferability of adversarial examples with model architecture},
author = {Mingyuan Fan and Wenzhong Guo and Shengxing Yu and Zuobin Ying and Ximeng Liu},
journal= {arXiv preprint arXiv:2202.13625},
year = {2022}
}