基于动量自适应矩阵优化对抗性扰动
机器学习
2025-12-17 v1
摘要
生成对抗样本（AEs）可形式化为优化问题。在各种基于优化的方法中，基于梯度的 PGD 和基于动量的 MI-FGSM 屡屡受到关注。然而，这些攻击方法都使用符号函数来缩放扰动，这从优化视角引发了若干理论问题。本文首先揭示了 PGD 实际上是一种仅使用当前梯度来确定步长的投影梯度法的特定改写形式。进一步地，我们表明，当使用基于累计梯度的常规自适应矩阵来缩放扰动时，PGD 实际上等价于 AdaGrad。基于这一分析，我们提出了一种新型基于动量的攻击方法 AdaMI，其中使用一种有趣的动量自适应矩阵来优化扰动。我们证明了 AdaMI 在凸问题上可达到最优收敛，从而解决了 MI-FGSM 的非收敛问题，确保了优化过程的稳定性。实验结果表明，所提出的动量自适应矩阵可作为一种通用且有效的技术，用于在不同网络上提升对抗性迁移性，同时保持更好的稳定性和不可察觉性。
引用
@article{arxiv.2512.14188,
title = {Optimizing the Adversarial Perturbation with a Momentum-based Adaptive Matrix},
author = {Wei Tao and Sheng Long and Xin Liu and Wei Li and Qing Tao},
journal= {arXiv preprint arXiv:2512.14188},
year = {2025}
}
备注
IEEE Transactions on Dependable and Secure Computing