生成最小对抗扰动以测试目标检测模型：一种自适应多指标进化方法
统计方法学
2024-04-29 v1 机器学习
机器学习
摘要
深度学习（DL）模型在计算机视觉任务中表现出色，但可能容易受到对抗性示例的影响。本文介绍了Triple-Metric EvoAttack（TM-EVO），一种用于评估目标检测深度学习模型对抗攻击鲁棒性的高效算法。TM-EVO利用多指标适应度函数来高效地引导进化搜索，以创建具有最小扰动的有效对抗性测试输入。我们在广泛使用的目标检测深度学习模型DETR和Faster R-CNN，以及公开数据集COCO和KITTI上评估了TM-EVO。我们的研究结果表明，TM-EVO优于最先进的EvoAttack基线，在保持效率的同时，生成的对抗性测试具有更少的噪声。
关键词
引用
@article{arxiv.2404.17019,
title = {Neyman Meets Causal Machine Learning: Experimental Evaluation of Individualized Treatment Rules},
author = {Michael Lingzhi Li and Kosuke Imai},
journal= {arXiv preprint arXiv:2404.17019},
year = {2024}
}