LAFEAT：利用潜在特征穿透对抗防御
机器学习
2021-04-21 v2 计算机视觉与模式识别
摘要
深度卷积神经网络易受对抗攻击。通过在输入中添加微小扰动，它们很容易被欺骗而给出错误输出。这在使 CNN 抵御此类攻击方面提出了巨大挑战。为此，大量新的防御技术被提出。在本文中，我们表明某些“鲁棒”模型中的潜在特征出人意料地易受对抗攻击。在此基础上，我们引入了一种统一的 范数白盒攻击算法，该算法在其梯度下降步骤中利用潜在特征，即 LAFEAT。我们表明，它不仅在计算上对于成功攻击高效得多，而且相较于当前最先进的方法，在广泛的防御机制下它是一个更强的对手。这表明模型鲁棒性可能取决于对防御者隐藏组件的有效利用，并不应再从整体视角看待。
引用
@article{arxiv.2104.09284,
title = {LAFEAT: Piercing Through Adversarial Defenses with Latent Features},
author = {Yunrui Yu and Xitong Gao and Cheng-Zhong Xu},
journal= {arXiv preprint arXiv:2104.09284},
year = {2021}
}
备注
Accepted as an oral paper in Conference on Computer Vision and Pattern Recognition (CVPR) 2021. 11 pages, 6 figures, 3 tables