基于相反对抗路径与高攻击时间成本的测试时对抗防御
机器学习
2025-05-20 v2 密码学与安全
摘要
深度学习模型因易受通过注入精心设计扰动的输入数据而受到对抗攻击。训练时防御方法在自然准确率与鲁棒准确率之间仍存在显著差距。本文通过沿相反对抗路径（Opposite Adversarial Path, OAP）进行扩散恢复，提出一种新的测试时对抗防御方法。我们设计一种可插拔到预训练模型中的净化器，以抵抗对抗攻击。与现有方法不同，核心思想是通过将相反对抗方向与反向扩散相结合，实现对输入图像的过度去噪或净化，从而将其推向相反对抗方向。首次举例说明，对扩散基防御方法进行 AutoAttack（Rand）操作的误区。从时间复杂性角度，考量自适应攻击有效性与计算复杂度之间的权衡。实验评估及时间成本分析验证了所提方法的有效性。
引用
@article{arxiv.2410.16805,
title = {Test-time Adversarial Defense with Opposite Adversarial Path and High Attack Time Cost},
author = {Cheng-Han Yeh and Kuanchun Yu and Chun-Shien Lu},
journal= {arXiv preprint arXiv:2410.16805},
year = {2025}
}