通过达到平坦的局部最大值提高对抗迁移性

Jun, 2023

通过达到平坦的局部最大值提高对抗迁移性

Boosting Adversarial Transferability by Achieving Flat Local Maxima

Zhijin Ge, Fanhua Shang, Hongying Liu, Yuanyuan Liu, Xiaosen Wang

TL;DR本文提出一种新方法来生成攻击模型的对抗样本，该方法结合了平稳局部区域和梯度规范化来获得更好的迁移性，实验结果在 ImageNet 兼容数据集上表明此方法比现有的攻击方法能够更好地提高模型的迁移性。

Abstract

transfer-based attack adopts the adversarial examples generated on the surrogate model to attack various models, making it applicable in the physical world and attracting increasing interest. Recently, various ad

transfer-based attack adversarial examples gradient norm adversarial transferability imagenet-compatible dataset

发现论文，激发创造

平坦感知的对抗性攻击

通过加入平坦度感知的正则化项在优化目标中，以提高生成的对抗样本的平坦度，提高了对抗样本的可传递性，表现明显优于现有方法。

Nov, 2023

理解和提升对抗样本的可迁移性

本文系统研究了影响对抗样本传递性的两类因素，包括网络结构、测试精度等模型特定因素和构建对抗样本的损失函数的局部光滑性。基于这些理解，提出了一种简单而有效的策略来增强传递性，称为方差降低攻击，因为它利用方差降低梯度来生成对抗样本，实验结果表明其有效性。

Feb, 2018

使用梯度正则化减少对抗样本的可转移性

本研究调查了不同模型之间的对抗样本的可传递性，研究表明梯度之间的夹角是影响对抗样本可传递性的根本因素，并给出了一种可以降低模型间对抗样本可传递性的改进简单训练方法。

Apr, 2019

深入研究：利用平坦性提前停止对抗样本的可转移性

该论文研究了对抗样本在不同模型间的可转移性问题，并发现早期停止训练可以提高可转移性，并提出了一种新方法 RFN，通过最小化损失的尖锐度来最大化可转移性。

Apr, 2023

将对抗鲁棒性普适性与平坦极小值联系起来

本文研究了 Robust Generalization 与 Robust Loss Landscape 的关系，设计了衡量该 Landscape 平坦性的度量，并验证了平坦的 Landscape 有助于提高 Adversarial Training 的鲁棒性与泛化性能。

Apr, 2021

对抗性样本汤：多个对抗性样本的平均改善了可转移性而不增加额外生成时间

通过细调超参数，生成不同的批次对抗性样本并取平均的方法可以提高对抗性迁移性，并且相比传统方法没有额外的生成时间和计算成本，与现有的基于迁移的方法相结合可以生成更具迁移性的对抗性样本，通过在 ImageNet 数据集上进行的大量实验表明，我们的方法比现有的攻击方法有更高的攻击成功率。

Feb, 2024

通过局部混合和自适应步长提高对抗样本的转移性能

黑盒对抗生成框架通过增强输入的多样性和自适应步长来生成可转移的对抗样本，具有超过现有基准的表现。

Jan, 2024

通过邻域条件采样增强对抗性可转移性

使用轻量级计算依然能够高度传递的样本攻击方法 (NCS) 可生成高度传递的对抗性示例，并在计算成本上仅需要 50% 的要求，同时可与其他方法无缝集成以进一步提高传递性。

May, 2024

可转移的对抗性攻击图像篡改定位

本文提出了一种对现有数字图像篡改定位算法进行真实世界应用安全性评估的对抗性攻击方案，通过基于优化和梯度的敌对示例的白盒和黑盒攻击来揭示这种篡改定位器的可靠性，从而准确预测篡改区域并保持高视觉质量的同时，大大降低了定位精度。

Sep, 2023

重新思考针对对抗迁移的反向传播

本文提出了一种新方法，即 Backward Propagation Attack（BPA），以增强与输入图像相关的梯度和损失函数之间的关联性，从而生成更具有传递性的对抗性样本，这在提高对真实世界应用的攻击中有很大的潜力。

Jun, 2023