NODE-AdvGAN：基于动态系统驱动的对抗生成模型以提高对抗样本的可迁移性与感知相似性
机器学习
2025-04-15 v2 人工智能
摘要
理解对抗样本对于提高模型鲁棒性至关重要，因为它们引入不可感知的扰动以欺骗模型。因此，有效的对抗样本有望通过消除模型奇点来训练更鲁棒的模型。我们提出NODE-AdvGAN，将对抗生成视为连续过程，并采用神经常微分方程（NODE）模拟生成器动力学。通过模仿传统梯度方法的迭代性质，NODE-AdvGAN生成更平滑、更精确的扰动，以在添加到良性图像时保持高感知相似性。我们还提出了新的训练策略NODE-AdvGAN-T，通过在训练期间调整噪声参数来增强黑盒攻击中的可迁移性。实验表明，NODE-AdvGAN和NODE-AdvGAN-T生成的对抗样本在取得更高攻击成功率的同时，比基线模型在保持更佳感知质量方面更优。
引用
@article{arxiv.2412.03539,
title = {NODE-AdvGAN: Improving the transferability and perceptual similarity of adversarial examples by dynamic-system-driven adversarial generative model},
author = {Xinheng Xie and Yue Wu and Cuiyu He},
journal= {arXiv preprint arXiv:2412.03539},
year = {2025}
}