关于 ConvMixer 模型的对抗可迁移性
机器学习
2022-09-20 v1
摘要
深度神经网络（DNN）众所周知易受对抗样本（AE）攻击。此外，对抗样本具有对抗可迁移性，这意味着为源模型生成的对抗样本能以非平凡概率欺骗另一个黑盒模型（目标模型）。在本文中，我们首次研究了包含各向同性网络 ConvMixer 在内的模型间对抗可迁移性的性质。为客观验证可迁移性性质，模型的鲁棒性通过使用称为 AutoAttack 的基准攻击方法进行评估。在图像分类实验中，确认 ConvMixer 易受对抗可迁移性攻击。
引用
@article{arxiv.2209.08724,
title = {On the Adversarial Transferability of ConvMixer Models},
author = {Ryota Iijima and Miki Tanaka and Isao Echizen and Hitoshi Kiya},
journal= {arXiv preprint arXiv:2209.08724},
year = {2022}
}
备注
5 pages, 5 figures, 5 tables. arXiv admin note: substantial text overlap with arXiv:2209.02997