LogBarrier 对抗攻击：有效利用决策边界信息
机器学习
2019-03-26 v1 密码学与安全
机器学习
摘要
图像分类的对抗攻击是对图像的小扰动，旨在使模型产生误分类。对抗攻击在形式上对应于一个优化问题：寻找最小范数的图像扰动，并约束其导致误分类。目前已开发出多种有效的攻击方法。然而，迄今为止，尚无基于梯度的攻击利用优化文献中的最佳实践来解决这一约束最小化问题。我们基于这些最佳实践，使用既有的对数障碍法设计了一种新的无目标攻击。在平均意义上，我们的攻击距离在基准数据集（MNIST、CIFAR10、ImageNet-1K）上与所有最先进攻击相当或更好。此外，我们的方法在最具挑战性的图像（那些通常需要更大扰动才能误分类的图像）上表现显著更优。我们在多个对抗防御模型上采用 LogBarrier 攻击，并表明它比其他攻击更有效地对所有图像进行对抗扰动：与其他最先进攻击相比，LogBarrier 攻击所需的扰动距离显著更小。
引用
@article{arxiv.1903.10396,
title = {The LogBarrier adversarial attack: making effective use of decision boundary information},
author = {Chris Finlay and Aram-Alexandre Pooladian and Adam M. Oberman},
journal= {arXiv preprint arXiv:1903.10396},
year = {2019}
}
备注
12 pages, 4 figures, 6 tables