受几何启发的 Top-k 对抗扰动

深度图像分类器对微小对抗输入扰动的脆弱性已在过去数年被广泛研究。然而，现有扰动的主要目标基本限于将正确预测的 Top-1 类改变为错误类，并不旨在改变 Top-k 预测。在许多数字现实场景中，Top-k 预测更具相关性。本工作中，我们提出一种快速且精确的将 Top-k 对抗样本计算为简单多目标优化的方法。我们通过将其与其他对抗样本生成技术比较来展示其效力与性能。此外，基于该方法，我们提出 Top-k 通用对抗扰动，即与图像无关的微小扰动，使真实类在多数自然图像的 Top-k 预测中缺失。我们通过实验表明，我们的方法优于基线方法，甚至改进了现有的通用对抗扰动寻找技术。