ImageNet-Patch：一个用于基准测试机器学习对抗补丁鲁棒性的数据集
密码学与安全
2025-01-16 v2 计算机视觉与模式识别
机器学习
摘要
对抗补丁是输入图像中经过优化的连续像素块，会导致机器学习模型对其误分类。然而，其优化计算开销大，且需要谨慎的超参数调优，可能导致次优的鲁棒性评估。为克服这些问题，我们提出了 ImageNet-Patch，一个用于针对对抗补丁基准测试机器学习模型的数据集。它包含一组针对跨不同模型泛化而优化的补丁，并在通过仿射变换预处理后可直接应用于 ImageNet 数据。该过程利用对抗扰动的迁移性，实现了近似但更快速的鲁棒性评估。我们通过针对 127 个模型测试所计算补丁的有效性，展示了该数据集的实用性。最后，我们讨论了如何将我们的数据集用作鲁棒性基准，以及我们的方法如何推广到其他领域。我们在 https://github.com/pralab/ImageNet-Patch 开源了数据集和评估代码。
引用
@article{arxiv.2203.04412,
title = {ImageNet-Patch: A Dataset for Benchmarking Machine Learning Robustness against Adversarial Patches},
author = {Maura Pintor and Daniele Angioni and Angelo Sotgiu and Luca Demetrio and Ambra Demontis and Battista Biggio and Fabio Roli},
journal= {arXiv preprint arXiv:2203.04412},
year = {2025}
}
备注
Published in Pattern Recognition. DOI: https://doi.org/10.1016/j.patcog.2022.109064