谦和 ensemble 攻击中的内相关性与间发散性
机器学习
2025-05-05 v1 人工智能
摘要
模型 ensemble 攻击的开发显著提高了对抗样本的可迁移性，但这也对深度神经网络的安全性构成严重威胁。现有方法面临两个关键挑战：不足地捕获跨模型共享梯度方向以及缺乏自适应权重分配机制。为此，我们提出了一种新方法 Harmonized Ensemble for Adversarial Transferability (HEAT)，首次将域泛化引入对抗样本生成。HEAT由两个关键模块组成：共识梯度方向绪合器，通过奇异值分解来绪合共享梯度方向；双谦和权重调度器动态平衡模型内部的域内一致性（稳定单个模型中的梯度）和跨域的多样性（增强跨模型的可迁移性）。实验结果表明，HEAT 在 various 数据集和设置下显著优于现有方法，为对抗攻击研究提供了新的视角和方向。
引用
@article{arxiv.2505.01168,
title = {Harmonizing Intra-coherence and Inter-divergence in Ensemble Attacks for Adversarial Transferability},
author = {Zhaoyang Ma and Zhihao Wu and Wang Lu and Xin Gao and Jinghang Yue and Taolin Zhang and Lipo Wang and Youfang Lin and Jing Wang},
journal= {arXiv preprint arXiv:2505.01168},
year = {2025}
}