Jul, 2020

AdvFlow：使用归一化流的隐蔽式黑盒对抗攻击

PDF
TL;DR本文介绍了一种新的黑匣子对抗攻击方法，该方法基于规范化流来对给定目标图像周围的对抗性样本密度进行建模，在生成的对手中，其具有更接近干净数据分布的属性，从而使其检测不太可能。此外，与部分现有的攻击方法相比，论文实验证明该方法具有较强的攻击性能。
deep learningadversarial attacksclassifiersadvflownormalizing flows
发现论文，激发创造
  • 使用归一化流进行黑盒对抗样本生成

    提出一种基于正则化流的新型黑盒对抗攻击方式，该方法通过对预先训练的流式模型基本分布进行搜索，生成的对手更加接近原始数据。同时，该研究还展示了该方法相对于已知黑盒对抗攻击方法的竞争性能。

    Jul, 2020

  • AFLOW: 在极限噪音受限设置下开发对抗样本

    通过提出一种新的 Normalize Flow-based 全链路攻击框架，称为 AFLOW，以在严格约束条件下合成不可察觉的对抗性样本，该方法能够在图像质量和攻击能力上具有卓越性，甚至在健壮模型上也能取得比以前方法更高的攻击效果。

    Oct, 2023

  • 基于光流的动作识别分类器的对抗攻击

    本文研究针对时间序列 action recognition 领域深度学习模型的无目标对抗攻击方法，该方法可以在白盒和黑盒模式下显著降低模型性能，并且攻击的样本不易被察觉，同时还证明该攻击方式具有一定的可迁移性。

    Nov, 2018

  • CFLOW-AD：基于条件归一化流的实时无监督异常检测及定位

    本文提出了一种基于 CFLOW-AD 模型的实时无监督异常检测方法，在定位方面有着明显的优势，与之前最先进的方法相比，它具有更高的计算效率和更小的模型大小。

    Jul, 2021

  • FastFlow: 基于二维正则化流的无监督异常检测和定位

    本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

    Nov, 2021

  • 基于正向传播的工业时间序列数据新颖性检测方法

    Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

    Jun, 2019

  • 通过正规化流改善 Λ 信号的领域适配

    该研究使用归一化流在领域适应中表现出了新的应用，通过研究流基神经网络在 CLAS12 中提高 Λ 高超子信号提取的能力。

    Mar, 2024

  • 光流攻击

    本文研究了深度学习在光流估计中的鲁棒性，并表明对小于 1％的图像区域进行扰动就可以大大影响光流估计，对编码器 - 解码器体系结构的网络影响很大，而对空间金字塔体系结构的网络则较小，并且通过实验演示了这种攻击是实用的。

    Oct, 2019

  • 使用点云攻击场景流

    为解决深度神经网络对场景流网络的鲁棒性问题，本研究通过引入针对场景流网络的白盒对抗攻击，发现对一维点云或颜色通道进行攻击对平均端点误差具有显著影响。实验结果显示生成的对抗性样本使 KITTI 和 FlyingThings3D 数据集上的平均端点误差相对劣化达到 33.7。此外，对场景流网络和其 2D 光流网络变体的攻击成功和失败的分析表明光流网络更加容易受到攻击。

    Apr, 2024

  • 公平的变换流

    本文提出了公平正则流 (FNF) 的方法来保证公平性，FNF 模型将敏感信息通过对编码器进行归一化流建模的方法来区分不同的群体，从而提供更严格的公平保障与最大不公平性的保障，并证明了其在各种具有挑战性的实际数据集上的有效性。

    Jun, 2021