主动式方案：面向社会公益的对抗攻击综述

计算机视觉中的对抗攻击通过向输入数据引入细微扰动来利用机器学习模型的漏洞，通常会导致错误的预测或分类。随着深度学习的出现，这些攻击的复杂程度不断演变，在关键应用中构成了重大挑战，可能对社会造成危害。然而，也存在一条从变革性视角出发的丰富研究路线，将对抗技术用于社会公益。具体而言，我们考察了主动式方案的兴起——即利用称为模板的附加信号对输入数据进行加密，以增强深度学习模型性能的方法。通过将这些不可感知的模板嵌入数字媒体中，主动式方案被应用于从简单的图像增强到复杂的深度学习框架辅助性能提升的各种应用中，相比之下，被动式方案不改变其框架的输入数据分布。本综述深入探讨了这些主动式方案背后的方法论、加密与学习过程，以及其在现代计算机视觉和自然语言处理应用中的应用。此外，还讨论了主动式方案面临的挑战、潜在漏洞和未来方向，最终强调了其在促进深度学习技术负责任和安全发展方面的潜力。