探讨表格数据上对抗攻击的不可觉察性：实证分析

对抗攻击是通过对输入数据施加不可觉察的扰动来导致机器学习模型产生错误预测的潜在威胁。虽然这些攻击在类似图像的数据上已有广泛研究，但应用于表格数据时面临新挑战。这些挑战源于表格数据固有的异构性和复杂特征相互依存关系，这些特征不同于图像数据。为此，需要制定针对表格数据的量身定制的不可觉察性标准。然而，目前缺乏衡量表格数据上对抗攻击不可觉察性的标准化指标。为弥补这一空白，我们提出了一套关键属性和相应指标，旨全面刻画表格数据上不可觉察的对抗攻击。具体包括：与原始输入的接近性、被改变特征的稀疏性、偏离原始数据分布的程度、对窄分布特征的敏感性、某些应保持不变的特征的不可变性、特定特征值不可超出有效实践范围的可行性，以及捕捉数据属性之间复杂关系的特征相互依存性。我们使用所提出的不可觉察性指标，对五种对抗攻击（包括受限攻击和非受限攻击）在表格数据上的不可觉察性进行评估。结果揭示了这些攻击在不可觉察性和有效性之间的权衡。该研究还识别了当前攻击算法的局限性，为该领域的未来研究提供了见解。通过这项实证分析所获得的发现，为改进对抗攻击算法的设计提供了有价值的方向，从而推动了表格数据上的对抗机器学习。