TabAttackBench：面向表格数据对抗攻击的基准测试

对抗攻击通过对输入数据施加不可感知的扰动来诱导机器学习模型做出错误预测，构成了重大威胁。虽然这些攻击在图像等非结构化领域已被充分研究，但由于混合的特征类型和复杂的特征间依赖关系，它们在表格数据上的行为仍待深入探索。本研究引入了一个全面的基准测试，从有效性和不可感知性两方面评估表格数据集上的对抗攻击。我们在跨越金融、能源和医疗领域的十一个数据集上，使用四种代表性模型（LR、MLP、TabTransformer 和 FT-Transformer）评估了五种白盒攻击算法（FGSM、BIM、PGD、DeepFool 和 C&W）。该基准测试采用四种定量的不可感知性指标（邻近度、稀疏度、偏差和敏感度）来表征扰动的真实性。分析量化了这两个方面之间的权衡，并揭示了攻击类型之间的一致性差异：基于 $\ell_\infty$ 的攻击实现了更高的成功率但隐蔽性较低，而基于 $\ell_2$ 的攻击提供了更真实的扰动。该基准测试的发现为设计更具不可感知性的对抗攻击提供了可操作的见解，推进了对表格机器学习中对抗脆弱性的理解。