通过组件级变换增强对抗性迁移性
计算机视觉与模式识别
2025-04-01 v2
摘要
深度神经网络（DNN）对对抗样本极其敏感，这在安全敏感型应用中构成重大挑战。 在各种对抗攻击策略中，基于输入变换的攻击在增强对抗性迁移性方面显示出显著效果。然而，现有方法在不同架构之间仍表现不佳，尽管在同一架构内已取得令人鼓舞的成果。这一局限性源于：虽然同一架构的模型可能关注对象的不同区域，但跨不同架构的差异更为显著。不幸的是，现有方法未能有效引导模型关注这些多样化的区域。为解决此问题，本文提出一种新颖的基于输入变换的攻击方法，称为组件级变换（Component-Wise Transformation，CWT）。CWT 对图像的各个块应用插值和选择性旋转，确保每个变换后的图像都突出显示不同的目标区域，从而提高对抗样本的迁移性。在标准 ImageNet 数据集上的大量实验表明，CWT 在 CNN 和 Transformer 基础模型的攻击成功率和稳定性方面均优于当前最先进的方法。
引用
@article{arxiv.2501.11901,
title = {Enhancing Adversarial Transferability via Component-Wise Transformation},
author = {Hangyu Liu and Bo Peng and Can Cui and Pengxiang Ding and Donglin Wang},
journal= {arXiv preprint arXiv:2501.11901},
year = {2025}
}
备注
15 pages