AAAIJan, 2021

针对表格式数据的对抗性攻击：应用于欺诈检测和非平衡数据

PDF
TL;DR本文介绍了一种新颖的方法，用于修改和调整最先进的算法以处理不平衡的表格数据，以应对欺诈检测方面的安全挑战，实验结果表明，所提出的修改导致了攻击成功率的提高，并获得的对人类来说不那么易察觉的对抗性示例。
adversarial attackstabular datafraud detectionai systemsecurity
发现论文，激发创造
  • 针对表格数据的对抗性训练与攻击传播

    对抗攻击是安全中心应用中的主要问题，我们提出了一种新的对抗性训练方法，能够预防攻击对机器学习模型的性能造成较大影响，特别是在信用卡欺诈检测领域。

    Jul, 2023

  • 关于表格数据的难以察觉的对抗攻击

    本文探讨标准数据中的敌对示例的概念和生成方法，实验结果证明可以生成具有很高愚弄率的不可察觉的敌对示例。

    Nov, 2019

  • 检测人可解释防御的潜在本地对抗样本

    介绍了在工业决策中使用机器学习模型的困境，并提出了使用局部关键特征来检测经典表格数据中的潜在对抗性样本的问题，以避免欺诈。

    Sep, 2018

  • 现实世界欺诈检测中的对抗学习：挑战与前景

    本文探讨了对付欺诈检测系统的对抗攻击与对付其他机器学习应用的对抗攻击不同的原因，并就如何解决这一问题提出了建议。

    Jul, 2023

  • 约束自适应攻击：对表格数据中的对抗样本进行真实评估和深度神经网络的强化训练

    针对深度表格模型的健壮性评估和对抗攻击的研究，提出 CAA 对约束表格深度学习模型进行攻击，构建深度表格模型的健壮性评估基准，为提高深度表格模型在各种对抗攻击场景下的健壮性提供安全实践建议。

    Nov, 2023

  • 基于表格数据的快速对抗标签翻转攻击

    在需要高可靠性的领域（如网络安全）中，机器学习模型被广泛使用。然而，这些模型仍然容易受到各种攻击的影响，其中敌对的标签翻转攻击构成了重大威胁。本文对此表示担忧，因为这些攻击可以将高度倾斜的数据集伪装成一个容易解决的分类问题，常常误导机器学习从业者降低防御措施并错误地估计潜在风险。我们提出 FALFA（快速敌对标签翻转攻击）来展示这种风险是敌对目标的一部分，它是一种新颖高效的用于生成敌对标签的攻击方法。FALFA 基于转换敌对目标，并利用线性规划减少计算复杂性。通过使用十个真实世界的表格数据集，我们展示了 FALFA 具有卓越的攻击潜力，强调了对这种威胁的强大防御的必要性。

    Oct, 2023

  • PermuteAttack: 机器学习信用评分卡的反事实说明

    本文提出了一个基于对抗性生成的数据方法的模型评估和解释框架，该方法可用于信贷评分系统中的机器学习算法，该算法应用于表格形式的金融数据，包括离散和分类变量，并使用基于遗传算法的无梯度优化进行优化。

    Aug, 2020

  • 良性对抗攻击：欺骗模型以取得好结果

    本文提出了利用对抗样本的善意攻击来探索攻击的本质并尝试解决机器学习中的对抗性问题。我们将对抗样本归因于模型和人类之间在使用非语义特征方面的差异，并针对此特性提出了三个方向的创新性应用：对抗图灵测试、拒绝恶意模型应用和对抗数据增强。

    Jul, 2021

  • 现代机器学习中的对抗样本：一次回顾

    本文对机器学习模型在视觉领域中面临的对抗性攻击和防御方法进行了广泛探讨，并讨论了不同攻击和防御方法的优点和缺点。旨在提供广泛的领域覆盖和机械进攻和防御机制的直观理解。

    Nov, 2019

  • 规模化对抗机器学习

    将对抗训练应用于 ImageNet，并提出了如何将对抗训练成功扩展到大型模型和数据集的建议，发现对抗训练能增加对单步攻击方法的鲁棒性，单步攻击方法比多步攻击方法更难以传递，使其成为发动黑盒攻击的最佳选择。研究还揭示了 “标签泄漏” 效应，因为对抗样本构建过程使用真实标签，模型可以学习利用构建过程的规律，使经过对抗训练的模型在对抗示例上表现比正常示例更好。

    Nov, 2016