一次构建 MAN：通过一次性学习多目标对抗网络实现多目标攻击
计算机视觉与模式识别
2019-08-15 v1 密码学与安全
机器学习
摘要
现代深度神经网络常常易受对抗样本攻击。基于首个基于优化的攻击方法，许多后续方法被提出以提升攻击性能与速度。近来，基于生成的方法备受关注，因为它们直接使用前馈网络生成对抗样本，从而避免了基于优化和基于梯度的方法中耗时的迭代攻击过程。然而，当前的基于生成的方法仅能在一个模型内攻击一个特定目标（类别），这使得它们不适用于通常具有数百/数千类别的真实分类系统。本文中，我们提出首个多目标对抗网络（MAN），其可通过单一模型生成多目标对抗样本。通过将指定类别信息融入中间特征，它能在运行时攻击目标分类模型的任意类别。实验表明，所提出的 MAN 在多目标攻击任务和单目标攻击任务中均能产出比先前最先进（SOTA）方法更强的攻击结果，并具备更好的可迁移性。我们进一步利用由我们的 MAN 生成的对抗样本来提升分类模型的鲁棒性。当受到多种方法攻击时，它也能取得优于其他方法的分类准确率。
引用
@article{arxiv.1908.05185,
title = {Once a MAN: Towards Multi-Target Attack via Learning Multi-Target Adversarial Network Once},
author = {Jiangfan Han and Xiaoyi Dong and Ruimao Zhang and Dongdong Chen and Weiming Zhang and Nenghai Yu and Ping Luo and Xiaogang Wang},
journal= {arXiv preprint arXiv:1908.05185},
year = {2019}
}
备注
Accepted by ICCV 2019