局部化对抗攻击以产生更不易察觉的噪声

机器学习中的对抗攻击传统上侧重于对输入数据的全局扰动，然而局部化对抗噪声的潜力仍未得到充分探索。本研究系统地评估了包括FGSM、PGD和C&W在内的广泛使用方法的局部化对抗攻击，以量化其有效性、不易察觉性和计算效率。通过引入二值掩码将噪声限制在特定区域，与全局攻击相比，局部化攻击实现了显著更低的平均像素扰动、更高的峰值信噪比（PSNR）和更高的结构相似性指数（SSIM）。然而，这些优势是以增加计算量和攻击成功率（ASR）的适度降低为代价的。我们的结果强调，像PGD和C&W这样的迭代方法比FGSM这样的单步方法对局部化约束具有更强的鲁棒性，能保持更高的攻击成功率和不易察觉性指标。这项工作提供了对局部化对抗攻击的全面分析，为推进攻击策略和设计鲁棒的防御系统提供了实用见解。