MF-CLIP:利用CLIP作为代理模型进行无盒对抗攻击
机器学习
2025-03-25 v3 人工智能
密码学与安全
摘要
深度神经网络(DNNs)对对抗攻击的脆弱性对其在安全关键应用中的部署提出了重大挑战。尽管大量研究已探讨各类攻击场景,但无盒攻击设定——即攻击者在无任何先验知识(包括目标模型的训练数据访问权限)下开展攻击——尽管具有实际意义,仍相对未被充分探索。本工作对利用大规模视觉语言模型(VLMs),特别是CLIP,作为代理模型执行无盒攻击进行了系统性研究。我们的理论与实证分析揭示了无盒攻击执行中的一项关键局限,其源于直接将原始CLIP作为代理模型时判别能力不足。为应对该局限,我们提出MF-CLIP:一种通过边际感知特征空间优化来增强CLIP作为代理模型有效性的新框架。跨多种架构与数据集的综合评估表明,MF-CLIP大幅推进了无盒攻击的当前最优水平,在标准模型上超越现有基线15.23%,并在对抗训练模型上取得9.52%的提升。我们的代码将公开以促进可复现性与该方向的未来研究。
引用
@article{arxiv.2307.06608,
title = {MF-CLIP: Leveraging CLIP as Surrogate Models for No-box Adversarial Attacks},
author = {Jiaming Zhang and Lingyu Qiu and Qi Yi and Yige Li and Jitao Sang and Changsheng Xu and Dit-Yan Yeung},
journal= {arXiv preprint arXiv:2307.06608},
year = {2025}
}