离线书写者无关签名验证中的机器人与生成对抗攻击
机器人学
2022-04-18 v1 计算机视觉与模式识别
机器学习
摘要
本研究探讨了如何借助机器人与生成式方法，对签名验证系统发起成功的误接受对抗攻击。首先，我们探索并调优了一种卷积神经网络拓扑结构与数据增强策略，针对 2,640 个真人签名验证取得了 87.12% 准确率的模型。随后令两台机器人伪造 50 个签名，其中 25 个用于验证攻击，其余 25 个用于对模型进行调优以防御此类攻击。系统上的对抗攻击表明存在信息安全风险：Line-us 机械臂能以 24% 的概率欺骗系统，iDraw 2.0 机器人则为 32%。条件 GAN 取得相近成功率，约 30% 的伪造签名被误分类为真实签名。在对机器人与生成数据进行微调迁移学习后，机器人与 GAN 的对抗攻击率均降至模型阈值以下。观察到对模型调优可将机器人攻击风险分别降至 8% 与 12%，而条件生成对抗攻击在呈现 25 张图像时可降至 4%，呈现 1000 张图像时降至 5%。
引用
@article{arxiv.2204.07246,
title = {Robotic and Generative Adversarial Attacks in Offline Writer-independent Signature Verification},
author = {Jordan J. Bird},
journal= {arXiv preprint arXiv:2204.07246},
year = {2022}
}