GAP++：学习生成目标条件对抗样本
计算机视觉与模式识别
2020-06-11 v1 机器学习
摘要
对抗样本是可能给机器学习模型带来严重威胁的扰动输入。寻找这些扰动是一项艰巨任务，我们只能使用迭代方法进行遍历。为提高计算效率，近期工作使用对抗生成网络直接建模通用或依赖于图像的扰动分布。然而，这些方法仅依赖输入图像生成扰动。在本文中，我们提出一个更通用的框架，其推断依赖于输入图像和目标标签的目标条件扰动。与以往的单目标攻击模型不同，我们的模型通过学习攻击目标与图像中语义的关系来进行目标条件攻击。在 MNIST 和 CIFAR10 数据集上的大量实验表明，我们的方法在单目标攻击模型中实现了优越性能，并以较小的扰动范数获得了高欺骗率。
引用
@article{arxiv.2006.05097,
title = {GAP++: Learning to generate target-conditioned adversarial examples},
author = {Xiaofeng Mao and Yuefeng Chen and Yuhong Li and Yuan He and Hui Xue},
journal= {arXiv preprint arXiv:2006.05097},
year = {2020}
}
备注
Accepted to IJCAI 2019 AIBS Workshop