LGV：从大几何邻域提升对抗样本的迁移性
机器学习
2022-07-28 v1 密码学与安全
计算机视觉与模式识别
机器学习
摘要
我们提出大几何邻域迁移性（LGV），一种提升黑盒对抗攻击迁移性的新技术。LGV 从一个预训练的替代模型出发，以恒定且较高的学习率进行若干额外训练周期，收集多个权重集合。LGV 利用了两个与迁移性相关的几何性质。首先，属于更宽权重最优解的模型是更好的替代模型。其次，我们在该更宽最优解中识别出一个能够生成有效替代集成模型的子空间。通过大量实验，我们表明仅用 LGV 就在四种已有测试时变换的所有（组合）上高出 1.8 至 59.9 个百分点。我们的发现为权重空间几何对解释对抗样本迁移性的重要性提供了新见解。
引用
@article{arxiv.2207.13129,
title = {LGV: Boosting Adversarial Example Transferability from Large Geometric Vicinity},
author = {Martin Gubri and Maxime Cordy and Mike Papadakis and Yves Le Traon and Koushik Sen},
journal= {arXiv preprint arXiv:2207.13129},
year = {2022}
}
备注
Accepted at ECCV 2022