在隐空间中生成对抗攻击
机器学习
2023-04-11 v1 密码学与安全
计算机视觉与模式识别
摘要
输入（像素）空间中的对抗攻击通常引入 或 -范数等噪声边界，以产生令深度学习网络混淆且难以察觉的扰动数据。此类噪声边界限制了允许噪声的幅度。在本工作中，我们提出使用生成对抗网络在隐（特征）空间中注入对抗扰动，从而免去基于边界的先验。在 MNIST、CIFAR10、Fashion-MNIST、CIFAR100 和 Stanford Dogs 数据集上的实验支持了所提方法在隐空间中生成对抗攻击的有效性，同时相对于基于像素的对抗攻击方法确保了高度的视觉真实感。
引用
@article{arxiv.2304.04386,
title = {Generating Adversarial Attacks in the Latent Space},
author = {Nitish Shukla and Sudipta Banerjee},
journal= {arXiv preprint arXiv:2304.04386},
year = {2023}
}