AAAIJul, 2020

使对抗样本更易于迁移和难以区分

PDF
TL;DR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。
fast gradient sign attack seriesadversarial examplesadam iterative fast gradient tanh methodattack success ratestransferability
发现论文，激发创造
  • 基于集成梯度的可迁移对抗攻击

    通过将标准客观函数优化、利用注意力图和平滑决策表面三种方法紧密整合，我们在本文中提出了一种新的简单算法 TAIG (Transferable Attack based on Integrated Gradients)，它可以为黑盒攻击寻找高度可转移的敌对样本，两个版本的 TAIG 都计算了沿着直线或随机分段线性路径的积分梯度，均具有很强的可转移性，并且可以与以前的方法无缝协同工作。实验结果表明，TAIG 优于现有的最先进方法 。

    May, 2022

  • Nesterov 加速梯度和尺度不变性用于对抗性攻击

    本文从优化过程的角度和深度学习模型的尺度不变性出发，提出了两种新的方法来改善对抗样本的传递性，并演示这些攻击方法对抗网络防御模型的高攻击成功率。

    Aug, 2019

  • 基于采样的快速梯度重缩放方法用于高度可转移的对抗性攻击

    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

  • 使用 AdaBelief 优化器和 Crop 不变性生成对抗样本

    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

  • 梯度细化改善对抗迁移能力

    采用梯度修正的方法，可进一步提高对抗性转移性，通过对多个转换引入的无用梯度进行修正，我们的方法在 ImageNet 数据集上可以实现 82.07％的平均转移成功率，在单模型设置下胜过其他最先进的方法的平均 6.0％，并且我们已将所提出的方法应用于由阿里巴巴组织的 CVPR 2021 ImageNet 无限制对抗攻击比赛中，攻击成功率在 1558 支队伍中排名第二。

    May, 2021

  • 提升对抗传递性的技巧包

    通过对现有对抗性攻击的仔细研究，我们提出了一系列技巧来增强对抗性传递性，包括动量初始化、计划的步长、双重示例、基于频谱的输入变换和几种集成策略。在 ImageNet 数据集上的大量实验验证了我们提出的技巧的高效性，并表明结合它们可以进一步增强对抗性传递性。我们的工作提供了实用的见解和技术，以增强对抗性传递性，并通过简单的调整指导提高对现实世界应用的攻击性能。

    Jan, 2024

  • 通过平移不变攻击规避转移对抗样本的防御

    本文提出了一种翻译不变攻击方法，该方法利用一个翻译图像集合上的扰动以生成更易于转移的对抗示例，并表明该方法通常适用于任何梯度攻击方法。作者在 ImageNet 数据集上广泛实验验证了该方法的有效性，并证明该攻击技术的存在不安全性。

    Apr, 2019

  • 增强动量提升对抗转移能力

    本文提出了一种增强的动量迭代梯度法，通过将先前迭代中梯度方向的数据点采样的平均梯度积累，稳定更新方向并逃离局部最大值，有效提高了动量迭代梯度法的对抗迁移性能，进一步结合各种输入转换方法可显著提升对抗迁移性能，实验证明平均提高 11.1%。同时，在集成模型设置下攻击多种尝试性高的防御模型，达到 7.8% 的显著提高。

    Mar, 2021

  • 基于转移的对抗攻击的自适应图像转换

    本文提出了一种名为自适应图片转换学习器（AITL）的新型结构，该结构将不同的图片转换操作集成到统一的框架中，进一步提高对抗样本的可转移性，实验表明该方法在 ImageNet 上的攻击成功率显著提高。

    Nov, 2021

  • GE-AdvGAN：基于梯度编辑的对抗生成模型改进对抗样本的可传递性

    通过优化生成器参数的训练过程并引入梯度编辑机制，GE-AdvGAN 算法能够生成高度可迁移的对抗样本并在执行时间上与现有方法相比保持最小化。

    Jan, 2024