通过以数据为中心的鲁棒学习实现抵抗基于迁移的对抗攻击的深度学习模型
密码学与安全
2023-10-17 v1 机器学习
摘要
基于迁移的对抗攻击对现实世界深度学习系统构成严重威胁，因为它们不需要访问目标模型。对抗训练(AT)被公认为针对白盒攻击的最强防御，也对(黑盒)基于迁移的攻击保证了高鲁棒性。然而，AT在整个训练过程中优化对抗样本，计算开销沉重。本文中我们证明，针对基于迁移的攻击，AT的这种沉重优化并非必要。相反，训练前的一次性对抗增强已足够，我们将这一新防御范式命名为以数据为中心的鲁棒学习(DRL)。实验结果表明，DRL在黑盒鲁棒性上优于广泛使用的AT技术(如PGD-AT、TRADES、EAT和FAT)，并且在结合多样数据增强与损失正则化时甚至超越RobustBench上的顶级防御。我们还发现了DRL的其他益处，例如模型泛化能力与鲁棒公平性。
引用
@article{arxiv.2310.09891,
title = {Towards Deep Learning Models Resistant to Transfer-based Adversarial Attacks via Data-centric Robust Learning},
author = {Yulong Yang and Chenhao Lin and Xiang Ji and Qiwei Tian and Qian Li and Hongshan Yang and Zhibo Wang and Chao Shen},
journal= {arXiv preprint arXiv:2310.09891},
year = {2023}
}
备注
9 pages