Logit边界至关重要：通过Logit校准改进可迁移的有目标对抗攻击
计算机视觉与模式识别
2023-03-08 v1
摘要
先前工作已广泛研究无目标黑盒场景中对抗样本的可迁移性。然而，构建比无目标对抗样本具有更高可迁移性的有目标对抗样本仍然具有挑战性。近期研究揭示，传统的交叉熵（CE）损失函数由于梯度消失问题，不足以学习可迁移的有目标对抗样本。本文中，我们对CE损失函数进行了全面研究，发现目标类与非目标类之间的logit边界在CE中会迅速达到饱和，这在很大程度上限制了可迁移性。因此，本文致力于沿优化方向持续增大logit边界以应对饱和问题，并提出了两种简单有效的logit校准方法，分别通过温度因子和自适应边界对logits进行缩放实现。二者均能有效促使优化产生更大的logit边界并带来更高的可迁移性。此外，我们表明最小化对抗样本与目标类分类器权重之间的余弦距离可进一步提升可迁移性，这得益于通过L2归一化对logits进行缩放。在ImageNet数据集上的实验验证了所提方法的有效性，其在黑盒有目标攻击中优于最先进的方法。源代码见\href{https://github.com/WJJLL/Target-Attack/}{Link}
引用
@article{arxiv.2303.03680,
title = {Logit Margin Matters: Improving Transferable Targeted Adversarial Attack by Logit Calibration},
author = {Juanjuan Weng and Zhiming Luo and Zhun Zhong and Shaozi Li and Nicu Sebe},
journal= {arXiv preprint arXiv:2303.03680},
year = {2023}
}