基于拉丁超立方采样的查询高效对抗攻击
计算机视觉与模式识别
2022-07-07 v1 人工智能
密码学与安全
机器学习
摘要
为适用于现实场景，边界攻击（BAs）被提出，并仅利用决策信息确保了百分之百的攻击成功率。然而，现有 BA 方法通过简单随机采样（SRS）估计梯度来构造对抗样本，消耗大量模型查询。为克服 SRS 的缺陷，本文提出一种基于拉丁超立方采样的边界攻击（LHS-BA）以节省查询预算。与 SRS 相比，在相同有限随机样本数下 LHS 具有更好的均匀性。因此，这些随机样本上的平均值比 SRS 估计的更接近真实梯度。我们在包括 MNIST、CIFAR 和 ImageNet-1K 在内的基准数据集上进行了多种实验。实验结果证明了所提 LHS-BA 在查询效率方面优于最先进的 BA 方法。源代码已公开于 https://github.com/GZHU-DVL/LHS-BA。
引用
@article{arxiv.2207.02391,
title = {Query-Efficient Adversarial Attack Based on Latin Hypercube Sampling},
author = {Dan Wang and Jiayu Lin and Yuan-Gen Wang},
journal= {arXiv preprint arXiv:2207.02391},
year = {2022}
}