利用改进的 Wasserstein GAN 生成自然对抗高光谱样本
机器学习
2020-01-29 v1 人工智能
机器学习
摘要
对抗样本因其欺骗分类器预测的能力而成为热点话题。创建此类样本有两种策略：一种利用被攻击分类器的梯度，另一种仅需访问分类器的预测。当分类器不完全已知（黑盒模型）时，后者尤其具有吸引力。本文提出一种新方法，能够遵循第二种范式从真实数据生成自然对抗样本。该方法基于生成对抗网络（GANs）[5]，对真实数据经验分布重新加权以促使分类器生成对抗样本。我们通过在遥感数据集上生成对抗高光谱签名，提供了方法的原理验证。
引用
@article{arxiv.2001.09993,
title = {Generating Natural Adversarial Hyperspectral examples with a modified Wasserstein GAN},
author = {Jean-Christophe Burnel and Kilian Fatras and Nicolas Courty},
journal= {arXiv preprint arXiv:2001.09993},
year = {2020}
}
备注
C&ESAR, Nov 2019, Rennes, France