深度神经网络易受对抗样本攻击的影响，提出了一种基于采样的快速梯度缩放方法 (S-FGRM) 来提高攻击的可转移性。该方法可用于任何基于梯度的攻击，并可与各种输入转换或集成方法相结合，以进一步提高对抗性的可转移性。实验证明，该方法能够显著提高梯度攻击的可转移性，并优于现有的基准方法。

Jul, 2023

通过应用 Adam 迭代快速梯度 tanh 方法 (AI-FGTM) 来生成具有高传递性的难以区分的对抗性例子，其成功率更高，具有更好的传递性和难以区分性。

Jul, 2020

本文提出了 AdaBelief 迭代式快速梯度法（ABI-FGM）和不受图像裁剪影响的攻击方法（CIM）来提高对抗样本的可迁移性，并将其与其他梯度攻击方法自然结合，以生成更多的可传输对抗样本以抵抗防御模型。在 ImageNet 数据集上进行的广泛实验证明了该方法的有效性。无论是在对抗训练的网络还是高级防御模型上，我们的方法都具有比最先进的梯度攻击方法更高的成功率。

Feb, 2021

对深度非侵入式负荷监测（NILM）基线模型进行敏感性研究，揭示常用 CNN-based NILM 模型在面对 Fast Gradient Sign Method 等对抗攻击时的脆弱性及其对能源管理系统的潜在影响。

Jul, 2023

本文介绍了对基于卷积神经网络（CNN）的图像分类模型进行对抗攻击的概念，并探讨了一种被称为 FGSM（快速梯度符号方法）的著名对抗攻击方法对图像分类模型性能的负面影响。对三种预训练图像分类器 CNN 结构（ResNet-101，AlexNet 和 RegNetY 400MF）使用 ImageNet 数据集中的随机选择图像进行了模拟 FGSM 攻击，并计算了在攻击存在与不存在时分类器的准确性，以展示攻击对模型性能的有害影响。最后，提出了一种基于修改的防御蒸馏方法来防御 FGSM 攻击，并给出了详尽的实验结果用于验证所提出方案。

Dec, 2023

我们提出了一种新颖和全面的方法，以提高对卷积神经网络（CNNs）中对抗性示例的攻击强度和传递性的评估，以及验证计算机网络应用中是否存在传递性问题。我们的研究结果表明，即使在计算机网络应用中，对抗性示例对安全的威胁需要开发新的防御机制来增强深度学习技术的安全性。

Oct, 2023

该研究论文的主要目标是研究强大的对抗攻击算法及其在基于深度学习的网络入侵检测系统上的防御方法，并使用 CICIDS-2017 数据集进行评估。

Jul, 2023

该研究利用弯曲正则化方法，将快速梯度符号方法（FGSM）扩展为可实现 adversarial robustness，并比 adversarial projected gradient decent 攻击方法（PGD）具有更高的训练效率。在 MNIST 数据集白盒攻击下，表现与 adv.PGD 相当，在 CIFAR-10 数据集转移攻击上表现更好。

Nov, 2020

本文针对神经检索模型易受打字错误、分布偏移和恶意攻击的问题，研究了对抗训练作为提高模型鲁棒性的可能解决方案之一。研究中采用了两种主要类型的 BERT-based 神经检索模型，并表明最简单的对抗训练技术 Fast Gradient Sign Method (FGSM) 可以提高模型的鲁棒性和效果。

Jan, 2023

通过 Style Migration Network（GI-SMN）提出了一种新的梯度逆转攻击方法，它打破了以往梯度逆转攻击所做的强假设，在批处理中实现了高相似度的用户数据重建，同时超越了当前的梯度逆转攻击方法和差分隐私防御方法。

May, 2024