PAR-AdvGAN：基于渐进自回归 AdvGAN 提升对抗攻击能力
机器学习
2025-08-25 v4 人工智能
摘要
深度神经网络在 various 领域展现出惊人的性能，但它们对对抗样本十分脆弱，这些样本可能导致错误的预测。生成对抗网络（GAN）可以利用生成器和判别器模型快速生成高质量的对抗样本。由于两个模块以竞争和同步的方式训练，基于 GAN 的算法如 AdvGAN 能够生成比传统方法更具可迁移性的对抗样本。然而，这些样本的扰动生成通常仅限于单次迭代，限制了这些方法的潜力。为解决此问题，我们提出一种新方法，称为渐进自回归 AdvGAN（PAR-AdvGAN）。它将自回归迭代机制集成到渐进生成网络中，以制造具有增强攻击能力的对抗样本。我们进行了大规模实验评估 PAR-AdvGAN 方法，证明其在各种最先进的黑盒对抗攻击以及原始 AdvGAN 方面性能优异。此外，PAR-AdvGAN 显著加快了对抗样本的生成速度，即在 Inception-v3 模型上实现最高 335.5 帧/秒的速度，超越了基于梯度的可迁移攻击算法。我们的代码可在 https://github.com/LMBTough/PAR 获取。
引用
@article{arxiv.2502.12207,
title = {PAR-AdvGAN: Improving Adversarial Attack Capability with Progressive Auto-Regression AdvGAN},
author = {Jiayu Zhang and Zhiyu Zhu and Xinyi Wang and Silin Liao and Zhibo Jin and Flora D. Salim and Huaming Chen},
journal= {arXiv preprint arXiv:2502.12207},
year = {2025}
}
备注
Best paper award of ECML-PKDD 2025