基于加密视觉Transformer模型随机集成的对抗样本增强安全性
密码学与安全
2023-07-27 v1 计算机视觉与模式识别
摘要
深度神经网络（DNNs）众所周知易受对抗样本（AEs）攻击。此外，对抗样本具有对抗可迁移性，这意味着为源模型生成的对抗样本能以不可忽略的概率欺骗另一个黑盒模型（目标模型）。在先前研究中已证实，视觉Transformer（ViT）比ConvMixer等卷积神经网络（CNN）模型对对抗可迁移性更具鲁棒性，且加密的ViT比未加密的ViT更为鲁棒。本文中，我们提出一种加密ViT模型的随机集成以实现更强鲁棒的模型。实验中，所提方案被验证比传统方法对黑盒攻击和白盒攻击都更具鲁棒性。
引用
@article{arxiv.2307.13985,
title = {Enhanced Security against Adversarial Examples Using a Random Ensemble of Encrypted Vision Transformer Models},
author = {Ryota Iijima and Miki Tanaka and Sayaka Shiota and Hitoshi Kiya},
journal= {arXiv preprint arXiv:2307.13985},
year = {2023}
}
备注
4 pages, 3 figures