多任务对抗攻击
机器学习
2020-11-20 v1 密码学与安全
摘要
深度神经网络在各个领域取得了令人印象深刻的性能，但它们被证明易受对抗攻击。以往关于对抗攻击的研究主要集中在单任务设定下。然而，在实际应用中，通常希望同时攻击多个针对不同任务的模型。为此，我们提出多任务对抗攻击（MTA），一种统一框架，可通过利用任务间的共享知识高效地为多任务生成对抗样本，这有助于在真实世界系统中实现对抗攻击的大规模应用。更具体地，MTA 使用一个由所有任务共享的编码器和多个任务特定解码器组成的对抗扰动生成器。得益于共享编码器，MTA 在同时攻击多任务时降低了存储成本并加速了推理。此外，该框架可用于生成针对定向与非定向攻击的逐样本和通用扰动。在 Office-31 和 NYUv2 数据集上的实验结果表明，与单任务对应方法相比，MTA 能提升攻击质量。
引用
@article{arxiv.2011.09824,
title = {Multi-Task Adversarial Attack},
author = {Pengxin Guo and Yuancheng Xu and Baijiong Lin and Yu Zhang},
journal= {arXiv preprint arXiv:2011.09824},
year = {2020}
}