面向 3D 点云的可用性攻击
密码学与安全
2024-07-17 v1 计算机视觉与模式识别
机器学习
摘要
尽管 3D 视觉领域取得了显著进展，但 3D 深度学习中的数据隐私与安全问题尚未系统探讨。在 2D 图像领域，已提出许多可用性攻击以防止数据被未经授权的深度模型非法学习。然而，与在固定维度网格上表示的图像不同，点云以无序且非结构化的集合形式呈现，大幅增加了针对 3D 深度学习设计有效可用性攻击的难度。本文在距离正则化下理论表明，将 2D 可用性攻击直接扩展到 3D 点云会引发退化问题，导致生成的投毒更弱甚至无效。这是因为在双层优化中引入正则化项会导致更新方向失控。为解决此问题，我们提出一种新型特征碰撞误差最小化（FC-EM）方法，通过在特征空间中创建额外的捷径，诱导不同更新方向以防止双层优化的退化。我们进一步提供理论分析，说明 FC-EM 攻击的有效性。大量实验在典型点云数据集、3D 脑动脉瘤医学数据集和 3D 人脸数据集上验证了该方法的优越性和实用性。代码已公开于 https://github.com/hala64/fc-em。
引用
@article{arxiv.2407.11011,
title = {Toward Availability Attacks in 3D Point Clouds},
author = {Yifan Zhu and Yibo Miao and Yinpeng Dong and Xiao-Shan Gao},
journal= {arXiv preprint arXiv:2407.11011},
year = {2024}
}
备注
ICML 2024, 21 pages