面向两类对手的调优：利用超参数调优增强对迁移攻击和基于查询攻击的鲁棒性

在本文中，我们首次详细分析了训练超参数（如学习率、权重衰减、动量和批量大小）如何影响对基于迁移的攻击和基于查询的攻击的鲁棒性。在理论和实验的支持下，我们的研究涵盖了多种实际部署场景，包括集中式训练、集成学习和分布式训练。我们发现了一个显著的对立现象：对于基于迁移的攻击，降低学习率可将鲁棒性显著提升高达64%。相比之下，对于基于查询的攻击，在各种设置和数据分布下，提高学习率始终能将鲁棒性提升高达28%。利用这些发现，我们首次探索了训练超参数空间，以共同增强对基于迁移的攻击和基于查询的攻击的鲁棒性。我们的结果表明，分布式模型从超参数调优中获益最多，通过比其他训练设置更有效地同时缓解两种攻击类型，实现了显著的权衡。