Feb, 2020

AI-GAN：攻击启发的对抗样本生成

PDF
TL;DR本文提出了一种新的框架 Attack-Inspired GAN，它可以通过联合训练的生成器、鉴别器和攻击器，以更有效的方式生成攻击性畸变，从而实现对图像分类任务的攻击成功率提高和生成时间的减少。
deep neural networksadversarial examplesattack-inspired ganefficiencyimage classification
发现论文，激发创造
  • 使用对抗网络生成对抗性样本

    本文提出了 AdvGAN，一种使用生成对抗网络产生高感知质量的对抗样本的方法，可以更高效地生成对抗性的扰动用于敌对训练，同时在半白盒和黑盒攻击设置下，AdvGAN 都能在 MNIST 黑盒攻击竞赛中取得 92.76％的攻击成功率。

    Jan, 2018

  • 使用对抗网络进行鲁棒性深度学习的直接方法

    该论文提出了一种基于生成对抗网络 (GAN) 框架下的新防御机制来对抗黑盒攻击，在经验上表现良好并能与利用梯度下降的集成对抗训练和对抗训练等最先进的方法媲美。

    May, 2019

  • APE-GAN: 基于 GAN 的对抗扰动消除

    本文主要研究了神经网络在图像识别中的缺陷，提交了一种基于生成对抗网络的防御方法 APE-GAN，并在三个基准数据集上进行了实验，表明 APE-GAN 能有效地抵御五种攻击方式的对抗样本。

    Jul, 2017

  • 生成对抗性训练器：用 GAN 对抗对抗性扰动

    我们提出了一种新的技术，使用生成对抗网络使神经网络对抗性示例具有鲁棒性，通过交替训练分类器和生成器网络，我们成功地应用于 CIFAR 数据集的监督学习，实验结果表明我们的方法显著降低了网络的泛化误差。这是我们所知道的第一个使用 GAN 改进监督学习的方法。

    May, 2017

  • IDSGAN: 针对入侵检测的攻击生成的生成对抗网络

    本文提出了一种基于生成对抗网络的攻击框架 IDSGAN，用于欺骗和逃避检测来攻击入侵检测系统中的黑匣子攻击，通过针对多个基于算法的检测模型的比较实验，证明了该模型的鲁棒性和有效性。

    Sep, 2018

  • 生成对抗扰动

    该研究提出了新型生成模型，用于制造近似自然图像但又能欺骗先前训练好的模型的略微扰动的对抗性样本。通过在具有挑战性的高分辨率数据集上的实验，它证明了这种扰动具有高弄虚率和较小的扰动规模，并且比当前的迭代方法更快。

    Dec, 2017

  • Defense-GAN: 使用生成模型保护分类器免受对抗攻击

    Defense-GAN 使用生成模型来抵御深度神经网络受到的对抗性攻击，并不需要修改分类器结构或者训练过程，可以适用于任何分类模型，并且不需要了解生成对抗性示例的过程。在不同的攻击方法下，实验证明 Defense-GAN 对抗性攻击防御策略具有一致的有效性，并可以提高现有的防御策略。

    May, 2018

  • 带有目标的对抗样本的通用框架

    本文提出了一种通用方法 - 对抗生成网络（AGNs），通过训练一个生成器神经网络输出满足特定目标的对抗样本来解决扰动图像误分类的问题，并在两个应用领域进行了演示。

    Dec, 2017

  • Rob-GAN: 生成器，鉴别器和对抗攻击者

    研究反对派深度学习中的两个重要概念 - 对抗性训练和生成对抗性网络（GAN），这些概念可以相互增强并开发出一种名为 Rob-GAN 的框架，旨在同时提高 GAN 训练的收敛速度、合成图像的质量和鉴别器在强对抗性攻击下的强度。

    Jul, 2018

  • GAP++: 学习生成目标条件下对抗性样本

    提出一种更通用的框架，该框架可以推断基于输入图像和目标标签的目标条件扰动，通过学习攻击目标与图像中的语义关系。在 MNIST 和 CIFAR10 数据集的广泛实验中，该方法实现了超越单目标攻击模型的优异性能，并以小扰动范数获得高愚弄率。

    Jun, 2020