增强对抗样本的迁移性与不可区分性
计算机视觉与模式识别
2021-12-14 v2 机器学习
摘要
快速梯度符号攻击系列是用于生成对抗样本的流行方法。然而，由于基础符号结构的局限性，大多数基于快速梯度符号攻击系列的方法无法兼顾不可区分性与迁移性。为解决此问题，我们提出了一种称为Adam迭代快速梯度Tanh方法（AI-FGTM）的方法，以生成具有高迁移性的不可区分对抗样本。此外，还采用更小的卷积核与动态步长来生成对抗样本，以进一步提高攻击成功率。在ImageNet兼容数据集上的大量实验表明，我们的方法生成的对抗样本更不可区分，并在不增加额外运行时间与资源的情况下实现了更高的攻击成功率。我们最佳的基于迁移的攻击NI-TI-DI-AITM能够以平均89.3%的成功率欺骗六种经典防御模型，以平均82.7%的成功率欺骗三种先进防御模型，均高于最先进的基于梯度的攻击。此外，我们的方法还能减少近20%的平均扰动。我们期望我们的方法将作为生成具有更好迁移性与不可区分性的对抗样本的新基线。
引用
@article{arxiv.2007.03838,
title = {Making Adversarial Examples More Transferable and Indistinguishable},
author = {Junhua Zou and Yexin Duan and Boyu Li and Wu Zhang and Yu Pan and Zhisong Pan},
journal= {arXiv preprint arXiv:2007.03838},
year = {2021}
}
备注
Accepted to AAAI2022