规避凸诱导分类器的查询策略
机器学习
2010-07-06 v1 密码学与安全
计算机科学与博弈论
摘要
分类器常被用于检测恶意活动。我们研究了对手如何系统地查询分类器以获取信息，使得对手在为其意图的恶意行为付出近乎最小修改代价的同时规避检测。我们将 Lowd 和 Meek (2005) 的理论推广至凸诱导分类器族，该分类器族将输入空间划分为两个集合，其中之一为凸集。我们针对该分类器族提出了查询算法，这些算法仅使用与空间维度和近似水平呈多项式关系的查询次数，即可构造出具有近似最小代价的未被检测实例。我们的结果表明，无需对分类器的决策边界进行逆向工程即可实现近最优规避。我们还考虑了一般的 lp 代价，并证明对于所有近似水平，若 p=1，则在正凸和负凸的凸诱导分类器族上实现近最优规避通常是高效的。
引用
@article{arxiv.1007.0484,
title = {Query Strategies for Evading Convex-Inducing Classifiers},
author = {Blaine Nelson and Benjamin I. P. Rubinstein and Ling Huang and Anthony D. Joseph and Steven J. Lee and Satish Rao and J. D. Tygar},
journal= {arXiv preprint arXiv:1007.0484},
year = {2010}
}