GE-AdvGAN：通过基于梯度编辑的对抗生成模型提升对抗样本的可迁移性
计算机视觉与模式识别
2024-01-31 v2
摘要
对抗生成模型，如生成对抗网络（GAN），被广泛应用于生成各类数据，例如图像、文本和音频。因此，其优越的性能催生了白盒和黑盒攻击场景下基于GAN的对抗攻击方法。可迁移黑盒攻击的重要性在于其能够跨不同模型和设置发挥作用，更贴近现实世界的应用。然而，对于此类方法而言，在可迁移对抗样本方面保持性能仍然具有挑战性。同时，我们观察到一些增强的基于梯度的可迁移对抗攻击算法需要较长的对抗样本生成时间。因此，在这项工作中，我们提出了一种名为GE-AdvGAN的新算法，旨在增强对抗样本的可迁移性，同时提高算法的效率。主要途径是通过优化生成器参数的训练过程。通过功能和特性相似性分析，我们引入了一种新颖的梯度编辑（GE）机制，并验证了其在多种模型上生成可迁移样本的可行性。此外，通过探索频域信息来确定梯度编辑方向，GE-AdvGAN能够生成高度可迁移的对抗样本，同时与最先进的可迁移对抗攻击算法相比，最大限度地缩短执行时间。GE-AdvGAN的性能通过在不同数据集上的大规模实验进行了全面评估，结果证明了我们算法的优越性。我们的算法代码可在以下地址获取：https://github.com/LMBTough/GE-advGAN
引用
@article{arxiv.2401.06031,
title = {GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model},
author = {Zhiyu Zhu and Huaming Chen and Xinyi Wang and Jiayu Zhang and Zhibo Jin and Kim-Kwang Raymond Choo and Jun Shen and Dong Yuan},
journal= {arXiv preprint arXiv:2401.06031},
year = {2024}
}
备注
Accepted by SIAM International Conference on Data Mining (SDM24)