基于信息瓶颈约束的对抗性迁移性提升
机器学习
2024-06-11 v1 人工智能
摘要
从信息瓶颈（IB）理论出发，我们提出了一种名为IBTA的新型框架，用于执行黑箱可迁移对抗性攻击，该框架利用不变特征方面的进展。 直观地，通过降低对抗性扰动对原始数据的依赖性，在等效攻击性能约束下，可鼓励更大程度地依赖对分类贡献最大的不变特征，从而提高对抗性攻击的迁移性。 在此动机基础上，我们提出了一种围绕IB的新型理论框架来重新定义可迁移攻击的优化。 具体而言，通过提出一种简单且高效的互信息下界（MILB）来近似计算，以克服不可优化的互信息这一挑战。 此外，我们利用相互信息神经估计算子（MINE）进行彻底分析。 在ImageNet数据集上的实验结果良好地展示了IBTA和派生MILB的效率和可扩展性。 我们的代码已公开：https://github.com/Biqing-Qi/Enhancing-Adversarial-Transferability-via-Information-Bottleneck-Constraints。
引用
@article{arxiv.2406.05531,
title = {Enhancing Adversarial Transferability via Information Bottleneck Constraints},
author = {Biqing Qi and Junqi Gao and Jianxing Liu and Ligang Wu and Bowen Zhou},
journal= {arXiv preprint arXiv:2406.05531},
year = {2024}
}