利用邻域梯度信息提升对抗样本可迁移性
计算机视觉与模式识别
2025-11-13 v2 密码学与安全
摘要
深度神经网络（DNN）已知易受对抗样本影响，导致性能显著下降。在黑盒攻击场景中，代理模型与目标模型之间存在相当大的攻击性能差距。本工作聚焦于增强对抗样本的可迁移性以缩小这一性能差距。我们观察到，干净图像周围的梯度信息，即邻域梯度信息（NGI），可以提供高可迁移性。基于这一洞察，我们引入了NGI-Attack，结合示例回溯和多路掩码策略来利用该梯度信息并增强可迁移性。具体而言，我们首先采用示例回溯来累积邻域梯度信息作为初始动量项。然后，我们利用多路掩码形成多路攻击策略，迫使网络关注非判别性区域，从而在仅少数迭代中获得更丰富的梯度信息。大量实验表明，我们的方法显著增强了对抗可迁移性。特别是在攻击众多防御模型时，我们实现了平均攻击成功率95.2%。值得注意的是，我们的方法可以与任何现成算法无缝集成，在不增加额外时间成本的情况下提升其攻击性能。
引用
@article{arxiv.2408.05745,
title = {Improving Adversarial Transferability with Neighbourhood Gradient Information},
author = {Haijing Guo and Jiafeng Wang and Zhaoyu Chen and Kaixun Jiang and Lingyi Hong and Pinxue Guo and Jinglun Li and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2408.05745},
year = {2025}
}
备注
Accepted by Applied Soft Computing