GADT：通过梯度引导的可迁移对抗攻击数据转换
人工智能
2024-10-25 v1
摘要
当前的可迁移对抗样本(TAE)主要通过添加对抗噪声(AN)来生成。近期研究强调在优化数据增强(DA)参数的同时也优化AN，这对现实中的AI应用构成更大的威胁。然而，现有的DA基于策略往往难以找到最优解，因为缺乏对DA搜索过程的适当指导。在本工作中，我们提出了一种新颖的DA基于攻击算法GADT。GADT通过迭代对抗性来识别合适的DA参数，并使用后验估计来更新基于这些参数的AN。我们独特地采用可微分的DA操作库来识别对抗DA参数，并引入一种新的损失函数作为DA优化期间的度量标准。该损失项在保持原始图像内容的同时增强对抗效果，维持攻击的隐蔽性。在公开数据集上进行的大量实验表明，GADT可以与现有的可迁移攻击方法集成，有效更新其DA参数，同时保留其AN公式策略。此外，GADT可用于其他黑盒攻击场景，例如查询式攻击，为在研究和工业背景下增强对现实AI应用的攻击提供了新的途径。
引用
@article{arxiv.2410.18648,
title = {GADT: Enhancing Transferable Adversarial Attacks through Gradient-guided Adversarial Data Transformation},
author = {Yating Ma and Xiaogang Xu and Liming Fang and Zhe Liu},
journal= {arXiv preprint arXiv:2410.18648},
year = {2024}
}