针对脑印识别的深度学习模型的时间频率联合不可感知对抗攻击
密码学与安全
2024-07-02 v3
摘要
基于深度学习的 EEG 脑印识别引起了广泛关注，但研究表明深度学习模型面对 EEG 输入数据存在对抗攻击的脆弱性。本文引入一种新型对抗攻击方法，通过采用小波变换在时域和频域同时攻击 EEG 信号。不同于大多数现有方法仅针对时域 EEG 信号，本方法不仅利用时域攻击的强大对抗性能，还从频域攻击固有的不可感知性中获益，在攻击性能和不可感知性之间实现了更好的平衡。我们在白盒和灰盒场景下进行了广泛实验，结果表明该攻击方法在三个数据集和三个深度学习模型上实现了最先进的攻击性能。同时，本方法对人类视觉系统几乎不可感知。
关键词
引用
@article{arxiv.2403.10021,
title = {Time-Frequency Jointed Imperceptible Adversarial Attack to Brainprint Recognition with Deep Learning Models},
author = {Hangjie Yi and Yuhang Ming and Dongjun Liu and Wanzeng Kong},
journal= {arXiv preprint arXiv:2403.10021},
year = {2024}
}
备注
This work is accepted by ICME 2024