Jul, 2023

GAN 之父：控制生成恶意活动以提高防御系统

PDF
TL;DR使用机器学习、生成对抗网络等方法，我们提出了一种无需标签数据生成恶意活动样本的方法来提高非法活动检测的准确率和防御系统的鲁棒性，将其应用于反洗钱和推荐系统两个现实场景，并通过训练新的防御系统来捕获合成攻击。
machine learningmalicious activitygenerative adversarial networksdefense systemmoney laundering
发现论文，激发创造
  • 基于 GAN 的黑盒攻击生成对抗恶意软件实例

    本论文提出一种名为 MalGAN 的生成对抗网络 (GAN) 算法来生成对手样本，以绕过基于黑盒机器学习的检测模型，相对于传统的基于梯度的对手样本生成算法，MalGAN 能够将检测率降至几乎为零，并使基于重新训练的防御方法难以奏效。

    Feb, 2017

  • 利用 GANs 进行欺诈检测：使用合成交易数据进行模型训练

    使用生成对抗网络（GANs）算法设计和实现了一个基于深度学习技术的伪造人脸验证代码和欺诈检测系统，以增强交易过程的安全性。

    Feb, 2024

  • AI-GAN：攻击启发的对抗样本生成

    本文提出了一种新的框架 Attack-Inspired GAN，它可以通过联合训练的生成器、鉴别器和攻击器，以更有效的方式生成攻击性畸变，从而实现对图像分类任务的攻击成功率提高和生成时间的减少。

    Feb, 2020

  • IDSGAN: 针对入侵检测的攻击生成的生成对抗网络

    本文提出了一种基于生成对抗网络的攻击框架 IDSGAN，用于欺骗和逃避检测来攻击入侵检测系统中的黑匣子攻击，通过针对多个基于算法的检测模型的比较实验，证明了该模型的鲁棒性和有效性。

    Sep, 2018

  • 移动众感知中基于生成对抗网络的对抗任务检测

    本文提出了一种基于 GAN 的模型，通过将 GAN 判别器与二元分类器相结合，预防对手伪造任务，从而检测智能设计的非法传感服务请求。模拟结果表明，与单层二元分类器相比，提出的方法将对抗攻击检测率从 0% 提高到 97.5%，提高了三个二元分类器的原始攻击检测率。

    Feb, 2022

  • 基于生成对抗网络的主机入侵检测异常生成

    使用 Cycle-GAN 生成异常数据并训练模型以检测入侵，证明生成对抗网络在异常数据生成方面的潜力，AUC 提升至 0.71，异常检测率从 17.07% 提高至 80.49%

    Dec, 2018

  • Defense-GAN: 使用生成模型保护分类器免受对抗攻击

    Defense-GAN 使用生成模型来抵御深度神经网络受到的对抗性攻击，并不需要修改分类器结构或者训练过程，可以适用于任何分类模型，并且不需要了解生成对抗性示例的过程。在不同的攻击方法下，实验证明 Defense-GAN 对抗性攻击防御策略具有一致的有效性，并可以提高现有的防御策略。

    May, 2018

  • 有限训练数据下针对黑盒 API 的生成对抗网络攻击

    本文研究了机器学习系统 API 接口的安全性，介绍了探索性攻击和生成对抗网络等技术，并提出了一种具有实际意义的方法，通过生成合成数据扩展样本数据来提高模型性能，从而使敌对机器学习更加实用。

    Jan, 2019

  • 通过利用未来的恶意软件预测来对抗概念漂移

    通过对比恶意软件检测分类器的两种未来样本预测方法（对抗训练和生成对抗网络），研究发现对抗训练方法虽能得到更稳健的分类器，但并不是恶意软件未来样本预测的好方法；与此不同的是，生成对抗网络能够成功用作未来恶意软件的预测方法，并显著提高分类器对新样本的准确性。

    Apr, 2024

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019