重访DeepFool：泛化与改进
机器学习
2024-12-10 v2 密码学与安全
数值分析
数值分析
摘要
深度神经网络已知易受对抗样本的攻击，对抗样本是经轻微修改以欺骗网络做出错误预测的输人。这引发了大量关于评估这些网络对此类扰动的鲁棒性的研究。一个特别重要的鲁棒性度量是针对最小 对抗扰动的鲁棒性。然而，现有的评估该鲁棒性度量的方法要么计算昂贵，要么不够准确。在本文中，我们引入了一类新的对抗攻击，在有效性与计算效率之间取得平衡。我们所提出的攻击是著名的DeepFool（DF）攻击的泛化，同时仍易于理解和实现。我们证明，我们的攻击在有效性和计算效率方面均优于现有方法。我们所提出的攻击也适用于评估大型模型的鲁棒性，并可用于执行对抗训练（AT）以实现针对最小 对抗扰动的最先进（SOTA）鲁棒性。
引用
@article{arxiv.2303.12481,
title = {Revisiting DeepFool: generalization and improvement},
author = {Alireza Abdollahpoorrostam and Mahed Abroshan and Seyed-Mohsen Moosavi-Dezfooli},
journal= {arXiv preprint arXiv:2303.12481},
year = {2024}
}