Nov, 2023

基于扩散模型的数据驱动电力系统事件分类器的对抗纯化

PDF
TL;DR通过扩散模型提出的对抗净化方法在对抗攻击下大幅提高了事件分类器的准确率，满足实时操作需求，同时减小了原始和受损的数据之间的距离，降低了对抗攻击的影响。
phasor measurement unitsmachine learningadversarial attacksevent classifieradversarial purification method
发现论文，激发创造
  • 基于扩散的对抗净化用于入侵检测

    证明扩散模型在网络入侵检测中净化对抗样本方面的有效性，通过对扩散参数的全面分析，识别最佳配置以最大限度地提高对抗鲁棒性而对正常性能的影响最小。重要的是，该研究揭示了扩散噪声和扩散步骤之间的关系，对该领域具有重要贡献。实验在两个数据集上进行，并针对 5 种对抗攻击进行了测试。实现代码公开可用。

    Jun, 2024

  • 对抗净化的扩散模型

    本文提出了 DiffPure， 使用扩散模型进行过去神经网络的抵御攻击，结果表明它在三个图像数据集上优于现有的对抗训练和对抗净化方法，通常差距很大。

    May, 2022

  • 引导扩散模型用于对抗性纯化

    本文提出了一种新颖的净化方法，即导向扩散模型净化（GDMP），旨在帮助保护深度神经网络分类器免受对抗攻击的影响。在各种数据集上进行的广泛实验表明，所提出的 GDMP 将由对抗攻击引起的扰动降至浅层范围，从而显着提高了分类的正确性，并提高了 5％的鲁棒性。

    May, 2022

  • 机器学习检测网络攻击并区分电力系统干扰类型

    基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

    Jul, 2023

  • PureGen: 通用数据净化方法 —— 基于生成模型动态的训练时毒素防御

    利用随机变换介绍的普遍数据净化方法，通过迭代 Langevin 动力学算法行为模型（EBMs）、去噪扩散概率模型（DDPMs）或两者的能量波动来净化被污染的数据，最小化对分类器泛化性能的影响，并在 CIFAR-10、Tiny-ImageNet 和 CINIC-10 上提供针对多种攻击（包括 Narcissus、Bullseye Polytope 和 Gradient Matching）的最新防御，而无需攻击或分类器特定信息。

    May, 2024

  • Purify++: 用先进扩散模型和随机性控制改进扩散净化

    对扩散净化方法进行了系统性探索，提出了一种新的扩散净化算法 Purify++，是目前对多种对抗攻击具有最先进防御效果的方法。

    Oct, 2023

  • 对抗文本净化：防御的大型语言模型方法

    通过利用大型语言模型（LLMs）的生成能力，我们提出了一种新颖的对抗文字净化方法，以在不需要明确对离散噪声扰动进行表征的情况下净化对抗性文本，从而实现语义相似且正确分类的净化示例恢复。在各种分类器上，我们的方法表现出卓越的性能，在攻击下平均提高了 65% 的准确率。

    Feb, 2024

  • DiffDefense: 通过扩散模型抵御对抗性攻击

    这篇论文提出了一种新的重建方法，利用扩散模型来保护机器学习分类器免受对抗攻击，而无需对分类器本身进行任何修改。

    Sep, 2023

  • MalPurifier：针对逃避攻击的对抗净化增强 Android 恶意软件检测

    机器学习在 Android 恶意软件检测方面取得了显著应用，然而最近的研究揭示了基于机器学习的检测系统对规避攻击的固有弱点。本文介绍了一种新型的 Android 恶意软件检测方法，MalPurifier，它利用敌对净化以独立消除扰动，从而在轻量灵活的方式下实现攻击缓解。实验结果表明，MalPurifier 优于最先进的防御方法，在 37 种规避攻击下，实现了超过 90.91% 的准确率，并且能够轻松扩展到其他检测器中，提供了实施的灵活性和鲁棒性。

    Dec, 2023

  • 评估事件识别模型的鲁棒性的对抗方法

    使用物理模态分解方法提取特征进行事件分类，使用可解释的分类器如逻辑回归和梯度提升进行两种事件的区分，研究了对抗攻击对分类器的鲁棒性影响。实验结果表明，相对简单的模型如逻辑回归对对抗攻击更容易受到影响。

    Feb, 2024