通过通用强韧嵌入实现对分类数据的可迁移的对抗性稳健性

Jun, 2023

通过通用强韧嵌入实现对分类数据的可迁移的对抗性稳健性

Transferable Adversarial Robustness for Categorical Data via Universal Robust Embeddings

Klim Kireev, Maksym Andriushchenko, Carmela Troncoso, Nicolas Flammarion

TL;DR本文提出了一种针对表格数据域深度神经网络训练的对抗性鲁棒性方法，并通过面向类别数据的通用鲁棒嵌入将这种鲁棒性传递给其他分类器，使它们变得更加鲁棒。

Abstract

Research on adversarial robustness is primarily focused on image and text data. Yet, many scenarios in which lack of robustness can result in serious risks, such as fraud detection, medical diagnosis, or recommender systems often do not rely on images or text but instead on

adversarial robustness tabular data categorical features adversarial training universal robust embeddings

发现论文，激发创造

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

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

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

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。

Jan, 2021

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

神经网络对抗鲁棒性的有用分类法

深度学习领域的对抗攻击和防御是目前研究的活跃领域。本文针对防御方法进行分类，提出了不同的分类方法：通过增加特征向量的类内紧凑性和类间分隔性来提高对抗鲁棒性，减小或移除非鲁棒图像特征来提高对抗鲁棒性。通过这种重新构架话题的方式，提供了新的视角，深入探讨使网络变得更加强健的潜在因素，启发了更多的解决方案。此外，文献中有一些关于对抗防御成本问题和鲁棒性与准确性之间的权衡的论述，但我们提出的分类方法可以解决这些问题。本文提出了几项挑战，以此推动深度学习研究的进一步发展。

Oct, 2019

对抗鲁棒性基准测试

本研究旨在建立一个全面、严谨、连贯的标准来评估对抗性鲁棒性，通过两个鲁棒性曲线作为公正的评估标准来进行大规模实验，全面掌握攻击与防御方法的表现并得出重要结论和未来研究的启示。

Dec, 2019

朝向对抗鲁棒的持续学习

该研究针对深度学习在不断学习模型中容易受到对抗攻击的问题提出了 Task-Aware Boundary Augmentation (TABA) 的防御方法，并在 CIFAR-10 和 CIFAR-100 上进行了广泛的实验，证明了对抗训练和 TABA 在抵御对抗攻击方面的有效性。

Mar, 2023

深度学习模型的整体对抗鲁棒性

该研究论文综述了深度学习模型对抗鲁棒性的研究主题和基本原则，包括攻击、防御、验证和新应用。

Feb, 2022

URET: 通用鲁棒性评估工具包（用于规避）

我们提出了一个新的框架，可以生成不同输入类型和任务领域的语义正确和功能性对抗性输入，并展示了生成对抗性示例的重要性以便部署缓解技术。

Aug, 2023

对于分布转移下的对抗鲁棒性的通用性

本研究探讨了基于域一般化的经验和认证鲁棒性之间的相互影响，并发现两种鲁棒性均适用于未知的数据域。同时我们也证明，在医学应用中，对抗性增强显著提高了鲁棒性的泛化能力，对数据准确性影响不大。

Sep, 2022