元梯度对抗攻击
计算机视觉与模式识别
2021-08-11 v2
摘要
近年来，对抗攻击的研究已成为热点。尽管当前关于基于迁移的对抗攻击的文献在提高对未见黑盒模型的迁移性方面取得了可喜的成果，但仍有很长的路要走。受元学习思想的启发，本文提出了一种名为 Meta Gradient Adversarial Attack (MGAA) 的新架构，该架构是即插即用的，可以与任何现有的基于梯度的攻击方法相集成，以提高跨模型迁移性。具体而言，我们从模型库中随机采样多个模型以组成不同的任务，并在每个任务中迭代模拟白盒攻击和黑盒攻击。通过缩小白盒攻击和黑盒攻击中梯度方向之间的差距，可以提高对抗样本在黑盒设置下的迁移性。在 CIFAR10 和 ImageNet 数据集上的大量实验表明，我们的架构在黑盒和白盒攻击设置下均优于 SOTA 方法。
引用
@article{arxiv.2108.04204,
title = {Meta Gradient Adversarial Attack},
author = {Zheng Yuan and Jie Zhang and Yunpei Jia and Chuanqi Tan and Tao Xue and Shiguang Shan},
journal= {arXiv preprint arXiv:2108.04204},
year = {2021}
}
备注
13 pages, 2 figures, 12 tables. Accepted by ICCV2021