HO-FMN：用于快速最小范数攻击的超参数优化

梯度攻击是评估机器学习模型鲁棒性的主要工具。然而，许多攻击方法会使用固定的损失函数、优化器、步长调度器和默认超参数，导致提供的评估过于乐观。在本工作中，我们通过提出一种参数化变体来克服这些限制，该变体基于众所周知的快速最小范数攻击算法，其损失、优化器、步长调度器和超参数可以动态调整。我们对12个鲁棒模型进行重新评估，结果表明我们的攻击无需额外调参即可找到更小的对抗性扰动。这也使得我们能够以扰动预算为函数来报告对抗鲁棒性，提供的评估比固定预算攻击更为完整，同时保持高效。我们在https://github.com/pralab/HO-FMN发布了开源代码。