通用对抗扰动：在小图像数据集上的有效性
计算机视觉与模式识别
2022-10-11 v1
摘要
尽管神经网络在图像分类任务上表现很好，它们仍易受对抗扰动的攻击，后者可在不显著改变输入图像的情况下欺骗神经网络。已有论文证明了通用对抗扰动的存在性，将其加至任意图像将以极高概率欺骗神经网络。本文中，我们将尝试复现通用对抗扰动论文的实验，但在更小的神经网络架构与训练集上进行，以便能够研究所计算扰动的有效性。
引用
@article{arxiv.2210.04591,
title = {Universal Adversarial Perturbations: Efficiency on a small image dataset},
author = {Waris Radji},
journal= {arXiv preprint arXiv:2210.04591},
year = {2022}
}