利用调度步长与对偶样本提升对抗迁移性
机器学习
2023-01-31 v1
摘要
深度神经网络被广泛认为易受对抗样本的攻击，尤其在白盒设定下生成的对抗样本上表现显著不佳。然而，大多数白盒攻击方法严重依赖目标模型并迅速陷入局部最优，导致对抗迁移性较差。基于动量的方法及其变体被提出以逃离局部最优从而获得更好的迁移性。本工作中，我们注意到由迭代快速梯度符号方法（I-FGSM）生成的对抗样本的迁移性随迭代次数增加呈现下降趋势。受此发现启发，我们认为良性样本附近的对抗扰动信息（尤其是方向）对迁移性贡献更大。因此，我们提出一种新颖策略，使用调度步长与对偶样本（SD），以充分利用良性样本附近的对抗信息。我们所提策略可轻松与现有对抗攻击方法结合以提升对抗迁移性。在标准ImageNet数据集上的实证评估表明，所提方法能显著增强现有对抗攻击的迁移性。
引用
@article{arxiv.2301.12968,
title = {Improving Adversarial Transferability with Scheduled Step Size and Dual Example},
author = {Zeliang Zhang and Peihan Liu and Xiaosen Wang and Chenliang Xu},
journal= {arXiv preprint arXiv:2301.12968},
year = {2023}
}