面向基于 EEG 的 BCI 回归问题的白盒定向攻击
密码学与安全
2019-11-13 v1 人工智能
机器学习
信号处理
摘要
机器学习已在许多应用中取得巨大成功，包括基于脑电图（EEG）的脑机接口（BCI）。遗憾的是，许多机器学习模型易受对抗样本的攻击，对抗样本通过对原始输入添加精心设计的扰动而构造。已有许多针对分类问题的对抗攻击方法被提出，但极少有考虑回归问题的定向对抗攻击。本文提出两种此类方法。更具体地，我们考虑回归问题的白盒定向攻击，其中我们已知待攻击回归模型的所有信息，并希望设计微小扰动以将回归输出改变预定数值。在两个 BCI 回归问题上的实验验证了两种方法均有效。此外，由两种方法生成的对抗样本也具有可迁移性，这意味着我们可以用由一个已知回归模型生成的对抗样本去攻击未知回归模型，即实施黑盒攻击。据我们所知，这是首个关于基于 EEG 的 BCI 回归问题对抗攻击的研究，呼吁对 BCI 系统安全性给予更多关注。
引用
@article{arxiv.1911.04606,
title = {White-Box Target Attack for EEG-Based BCI Regression Problems},
author = {Lubin Meng and Chin-Teng Lin and Tzyy-Ring Jung and Dongrui Wu},
journal= {arXiv preprint arXiv:1911.04606},
year = {2019}
}