WITCHcraft：使用随机步长的有效PGD攻击
机器学习
2019-11-20 v1 密码学与安全
计算机视觉与模式识别
信号处理
机器学习
摘要
针对神经网络的最先进对抗攻击使用昂贵的迭代方法和从不同初始点的大量随机重启。无重启的基于迭代FGSM的方法以性能换取计算效率，因为它们不能充分探索图像空间，并且对步长选择高度敏感。我们提出了一种投影梯度下降（PGD）的变体，使用随机步长来提升性能，而无需诉诸昂贵的随机重启。我们的方法，宽迭代随机crafting（WITCHcraft），在CIFAR-10和MNIST数据集上取得了优于经典PGD攻击的结果，但没有额外的计算成本。这种对PGD的简单修改使得crafting攻击更经济，这在如对抗训练等需要实时crafting攻击的情况下十分重要。
引用
@article{arxiv.1911.07989,
title = {WITCHcraft: Efficient PGD attacks with random step size},
author = {Ping-Yeh Chiang and Jonas Geiping and Micah Goldblum and Tom Goldstein and Renkun Ni and Steven Reich and Ali Shafahi},
journal= {arXiv preprint arXiv:1911.07989},
year = {2019}
}
备注
Authors contributed equally and are listed in alphabetical order