基于积分梯度的可迁移对抗攻击
机器学习
2022-05-27 v1 计算机视觉与模式识别
摘要
深度神经网络对对抗样本的脆弱性已引起社区的极大关注。优化标准目标函数、利用注意力图以及平滑决策面这三种方法常用于生成对抗样本。通过紧密整合这三种方法，我们在本文中提出一种新颖而简单的算法，称为基于积分梯度的可迁移攻击（TAIG），其能为黑盒攻击找到高度可迁移的对抗样本。与以往使用多项计算项或与其他方法结合的方法不同，TAIG将三种方法整合为单一一项。我们研究了TAIG的两个版本，分别在直线路径和随机分段线性路径上计算积分梯度。两个版本均提供强可迁移性，并可无缝与先前方法协同工作。实验结果表明TAIG优于最先进的方法。代码将发布于 https://github.com/yihuang2016/TAIG
引用
@article{arxiv.2205.13152,
title = {Transferable Adversarial Attack based on Integrated Gradients},
author = {Yi Huang and Adams Wai-Kin Kong},
journal= {arXiv preprint arXiv:2205.13152},
year = {2022}
}