用于计算机视觉模型对抗攻击的张量火车分解
数值分析
2025-08-22 v2 数值分析
摘要
深度神经网络 (DNNs) 如今被广泛使用，但它们容易受到对抗攻击。为了开发有效的防御方法，了解 DNNs 的潜在弱点至关重要。攻击通常是考虑到模型架构（白盒方法）并基于梯度方法组织的，但对于现实世界的 DNNs，这种方法在大多数情况下是不可能的。同时，几种无梯度优化算法被用于攻击黑盒模型。然而，经典方法在高维情况下往往无效。为了对计算机视觉模型组织黑盒攻击，在这项工作中，我们提出使用基于低秩张量火车 (TT) 格式的优化器，该格式近年来在各种实际高维应用中获得了普及。结合由辅助（白盒）模型构建的目标图像归因，基于 TT 的优化方法使得通过对目标图像像素进行微小扰动来组织有效的黑盒攻击成为可能。在 ImageNet 数据集上针对七种现代 DNNs 的演示表明，所提出的方法优于三种流行的基线方法。
引用
@article{arxiv.2312.12556,
title = {Tensor Train Decomposition for Adversarial Attacks on Computer Vision Models},
author = {Andrei Chertkov and Ivan Oseledets},
journal= {arXiv preprint arXiv:2312.12556},
year = {2025}
}