基于密钥变换图像训练模型集成对抗黑盒攻击的鲁棒防御
计算机视觉与模式识别
2020-11-17 v1
摘要
我们提出了一种使用带密钥的块级变换图像训练的模型投票集成方法，用于对抗鲁棒防御。基于密钥的对抗防御已被证明在对抗基于梯度的（白盒）攻击方面优于最先进的防御。然而，在不要求任何密钥的情况下，基于密钥的防御对无梯度（黑盒）攻击不够有效。因此，我们旨在通过使用模型投票集成来增强对黑盒攻击的鲁棒性。在所提出的集成中，多个模型使用以不同密钥和块大小变换的图像进行训练，然后对这些模型应用投票集成。在图像分类实验中，所提出的防御被证明能够防御最先进的攻击。在 CIFAR-10 数据集上，噪声距离为 8/255 的攻击下，所提出的防御实现了 95.56% 的干净准确率和低于 9% 的攻击成功率。
引用
@article{arxiv.2011.07697,
title = {Ensemble of Models Trained by Key-based Transformed Images for Adversarially Robust Defense Against Black-box Attacks},
author = {MaungMaung AprilPyone and Hitoshi Kiya},
journal= {arXiv preprint arXiv:2011.07697},
year = {2020}
}
备注
Under review