LaFA：面向非负矩阵分解的潜在特征攻击

随着机器学习（ML）应用的快速增长，对其可靠性构成威胁的对抗攻击关注度日益增加。非负矩阵分解（NMF）是一种对此类攻击具有鲁棒性的无监督ML方法，通过将输入数据分解为低维潜在特征实现。然而，强大的计算工具如Pytorch使我们能够计算潜在特征相对于原始数据的梯度，这引发了对NMF可靠性的质疑。有趣的是，针对NMF的对抗损失（如同其他ML情况）会导致重构损失，理论上证明其为无效的攻击目标。本文引入一类称为潜在特征攻击（LaFA）的攻击，旨在操控NMF过程提取的潜在特征。我们采用特征误差（FE）损失直接作用于潜在特征。通过采用FE损失，我们生成的扰动能显著影响提取的潜在特征，揭示了类似其他ML技术所发现的脆弱性。为处理FE攻击中梯度反向传播带来的大峰值内存开销，我们开发了基于隐式微分的方法，使其可扩展至更大数据集。我们通过在合成数据和真实数据上的大量实验验证了NMF的脆弱性和FE攻击的有效性。