Mar, 2019

PuVAE：一个变分自编码器用于净化对抗样本

PDF
TL;DR本文提出了 Purifying Variational Autoencoder（PuVAE）这一方法来净化对抗样本，并在实验中展示该方法对各种攻击方法的鲁棒性展现了较高的性能，其推理时间大约比 Defense-GAN 这一当前最先进的净化模型快 130 倍。
发现论文，激发创造
  • 通过速率约束的变分自编码器净化无法学习的示例

    我们提出了一种新的预训练净化方法，利用离散变分自动编码器（D-VAE）来解缠扰动，并采用两阶段净化方法，以消除扰动并在各种情景下确保有效性和鲁棒性。

    May, 2024

  • 利用去噪自编码器进行对抗净化

    该研究提出了一种名为 APuDAE 的深度学习框架，利用去噪自编码器（DAE）以自适应方式净化样本，并提高目标分类器网络的分类准确度并使其更加鲁棒。

    Aug, 2022

  • 使用变分自编码器对图像分类进行对抗性防御

    使用变分自编码器的防御策略抵御深度神经网络在图片分类任务中的对抗性攻击。这个防御系统具有灵活性、可学习分解表示以及基于像素块不需要针对不同尺寸的图片进行重新训练等特性，并在中度到严重的攻击情况下，明显胜过 JPEG 压缩及其最优参数，同时仍有提升空间。

    Dec, 2018

  • 在存在噪声图像中利用条件变分自编码器进行对抗攻击检测

    本研究结合统计假设检验和条件变分自动编码器技术，提出使用 CVAE 来有效检测图像分类网络中的对抗性攻击，并在 MNIST 和 CIFAR-10 数据集上证明了该方法的可行性和效果。

    Nov, 2021

  • 生成模型的对抗性示例

    本篇研究探索在变分自编码器（VAE）和 VAE-GAN 等深度生成模型中生成对抗性样本的方法，并提出了三种攻击方式来测试针对 MNIST、SVHN 和 CelebA 数据集训练的网络，分别利用基于分类的对手，直接利用 VAE 的损失函数生成重构图像，以及直接优化源和目标潜在表示之间的差异。

    Feb, 2017

  • 变分自编码器的对抗性攻击

    本文提出了一种新的用于攻击自编码器（autoencoders）的方案，并设计了一个定量评估框架来评估攻击抵抗性。在三个常用数据集上，通过统计验证实验证明带有循环和注意力机制的 DRAW 模型具有更好的抵抗性，这对于自编码器在数据压缩方面的应用十分重要，并引起了更多人对于对抗攻击的关注。

    Jun, 2018

  • 使用混合高斯变分自编码器抵抗对抗攻击

    本文介绍了一种利用变分自编码器 (VAE) 来解决深度神经网络 (DNN) 易受到针对性攻击的问题的方法，其关键是将鉴别模型与生成模型相结合，在先验分布中进行选择性分类，从而提高分类的准确性。

    May, 2018

  • 使用卷积自动编码器防御对抗性攻击

    基于卷积自编码器的方法提高目标分类器对抗性攻击的鲁棒性，通过生成与输入图像相似的图像来恢复模型的准确性。

    Dec, 2023

  • DefenseVGAE: 通过变分图自编码器防御图数据的对抗攻击

    本文提出了 DefenseVGAE 框架，利用变分图自编码器 (VGAEs) 重建图的结构来防御图神经网络 (GNNs) 在面对对抗性攻击时的鲁棒性，实验证明其在不同威胁模型下具有很强的有效性。

    Jun, 2020

  • MalPurifier：针对逃避攻击的对抗净化增强 Android 恶意软件检测

    机器学习在 Android 恶意软件检测方面取得了显著应用，然而最近的研究揭示了基于机器学习的检测系统对规避攻击的固有弱点。本文介绍了一种新型的 Android 恶意软件检测方法，MalPurifier，它利用敌对净化以独立消除扰动，从而在轻量灵活的方式下实现攻击缓解。实验结果表明，MalPurifier 优于最先进的防御方法，在 37 种规避攻击下，实现了超过 90.91% 的准确率，并且能够轻松扩展到其他检测器中，提供了实施的灵活性和鲁棒性。

    Dec, 2023