关于对抗样本在加密模型间的可迁移性
计算机视觉与模式识别
2022-09-08 v1
摘要
深度神经网络(DNNs)众所周知易受对抗样本(AEs)攻击。此外，AEs具有对抗可迁移性，即针对源模型生成的AEs可欺骗其他(目标)模型。本文首次研究为对抗鲁棒防御而加密的模型中AEs的可迁移性。为客观验证可迁移性这一性质，使用一种称为AutoAttack的基准攻击方法评估模型的鲁棒性。在图像分类实验中，证实加密模型的使用不仅对AEs具有鲁棒性，而且就模型的可迁移性而言降低了AEs的影响。
引用
@article{arxiv.2209.02997,
title = {On the Transferability of Adversarial Examples between Encrypted Models},
author = {Miki Tanaka and Isao Echizen and Hitoshi Kiya},
journal= {arXiv preprint arXiv:2209.02997},
year = {2022}
}
备注
to be appear in ISPACS 2022