MOS-攻击：一个可扩展的多目标对抗攻击框架
机器学习
2025-11-18 v3 人工智能
密码学与安全
计算机视觉与模式识别
摘要
构筑对抗样本对于评估和增强深度神经网络（DNN）的鲁棒性至关重要，这等同于最大化非可微的0-1损失函数的挑战。然而，现有的单目标方法，即对抗攻击只关注代理损失函数，无法充分发挥多损失函数参与的潜在益处，由于对其协同与冲突性质的不充分理解。为克服这些限制，我们提出了基于多目标集合的攻击（MOS Attack），一种新型的对抗攻击框架，利用多个损失函数并自动发现它们之间的相互关系。MOS Attack采用基于集合的多目标优化策略，使其能够无需额外参数地纳入大量损失函数。它还自动挖掘各种损失函数之间的协同模式，促进使用更少目标生成强大的对抗攻击。大量实验表明，我们的MOS Attack超越了单目标攻击。此外，凭借所识别的协同模式，MOS Attack即使在较少的损失函数下仍显示出优异的性能。我们的代码已在https://github.com/pgg3/MOS-Attack 上提供。
引用
@article{arxiv.2501.07251,
title = {MOS-Attack: A Scalable Multi-objective Adversarial Attack Framework},
author = {Ping Guo and Cheng Gong and Xi Lin and Fei Liu and Zhichao Lu and Qingfu Zhang and Zhenkun Wang},
journal= {arXiv preprint arXiv:2501.07251},
year = {2025}
}
备注
Camera ready version of CVPR 2025