使替代模型更具贝叶斯性可增强对抗样本的迁移性
机器学习
2023-07-20 v3 计算机视觉与模式识别
摘要
对抗样本在深度神经网络（DNNs）间的迁移性是众多黑盒攻击的关键。许多先前工作致力于通过增加某些替代模型输入的多样性来提升迁移性。与之相反，本文选择替代模型的多样性，并主张攻击贝叶斯模型以实现理想的迁移性。从贝叶斯公式出发，我们开发了一种用于可能微调的原则性策略，其可与许多现成的 DNN 参数高斯后验近似相结合。我们在常用基准数据集上进行了大量实验以验证方法有效性，结果表明我们的方法大幅优于近期最优方法（在 ImageNet 上平均攻击成功率绝对提升约 19%），且通过与这些近期方法结合可进一步获得性能增益。我们的代码：https://github.com/qizhangli/MoreBayesian-attack。
引用
@article{arxiv.2302.05086,
title = {Making Substitute Models More Bayesian Can Enhance Transferability of Adversarial Examples},
author = {Qizhang Li and Yiwen Guo and Wangmeng Zuo and Hao Chen},
journal= {arXiv preprint arXiv:2302.05086},
year = {2023}
}
备注
Accepted by ICLR 2023, fix typos