基于 AdaBelief 优化器的对抗样本泛化
机器学习
2021-01-26 v1 人工智能
密码学与安全
摘要
近期研究已证明深度神经网络（DNNs）易受对抗样本攻击，即在合法输入上添加难以察觉且精心设计的扰动可于测试阶段轻易欺骗 DNNs。然而，现有多数对抗攻击难以欺骗对抗训练模型。为解决此问题，我们提出一种 AdaBelief 迭代快速梯度符号法（AB-FGSM）以泛化对抗样本。通过将 AdaBelief 优化算法集成至 I-FGSM，我们相信借助 AdaBelief 优化器较强的泛化能力可提升对抗样本的泛化性。为验证我们所提 AB-FGSM 生成的对抗样本的有效性与可迁移性，我们在多种单一模型与集成模型上进行了白盒与黑盒攻击。与最先进攻击方法相比，我们所提方法在白盒设定下能有效生成对抗样本，且迁移率比较新攻击方法高出 7%–21%。
引用
@article{arxiv.2101.09930,
title = {Generalizing Adversarial Examples by AdaBelief Optimizer},
author = {Yixiang Wang and Jiqiang Liu and Xiaolin Chang},
journal= {arXiv preprint arXiv:2101.09930},
year = {2021}
}