双头策略:通过平均微调提升定向迁�移性
计算机视觉与模式识别
2024-12-31 v1 人工智能
摘要
尽管针对非定向攻击所需的优化时间更长,但定向攻击的迁移性仍远不理想。最近的研究表明,对现有对抗样本(AE)在特征空间中的进行微调可以有效提升其定向迁移性。然而,现有的微调方案仅利用端点,忽略了微调轨迹中宝贵的信息。我们注意到,原始微调轨迹倾向于围绕损失曲面平坦区域的边缘振荡,因此提出在微调轨迹上进行平均,以将制作的 AE 拉向更中心的区域。我们通过将其与各种攻击场景中的最先进定向攻击集成,与现有微调方案进行比较。实验结果证明,所提出的方法在提升定向迁移性方面优于现有方法。代码已发布于 github.com/zengh5/Avg_FT。
引用
@article{arxiv.2412.20807,
title = {Two Heads Are Better Than One: Averaging along Fine-Tuning to Improve Targeted Transferability},
author = {Hui Zeng and Sanshuai Cui and Biwei Chen and Anjie Peng},
journal= {arXiv preprint arXiv:2412.20807},
year = {2024}
}
备注
9 pages, 6 figures, accepted by 2025ICASSP