基于数据驱动的离线签名验证的深度生成性攻击与对抗措施

Dec, 2023

基于数据驱动的离线签名验证的深度生成性攻击与对抗措施

Deep Generative Attacks and Countermeasures for Data-Driven Offline Signature Verification

An Ngo, MinhPhuong Cao, Rajesh Kumar

TL;DR通过使用深度生成模型进行生成性攻击，本文探讨了其对数据驱动的签名验证 (DASV) 过程的影响，并提出了切实可行且可解释的对策。通过使用 Variational Auto-encoder (VAE) 和 Conditional Generative Adversarial Networks (CGAN) 来生成可以成功欺骗 DASV 的签名，并通过使用结构相似性指数测量 (SSIM) 评估生成图像的质量，并使用该指标来解释攻击的成功率。最后，提出了有效减少 DASV 的深度生成攻击影响的对策。

Abstract

While previous studies have explored attacks via random, simple, and skilled forgeries, generative attacks have received limited attention in the data-driven signature verification (DASV) process. Thus, this pape

generative attacks data-driven signature verification deep generative models structural similarity index measure countermeasures

发现论文，激发创造

生成模型的对抗性示例

本篇研究探索在变分自编码器（VAE）和 VAE-GAN 等深度生成模型中生成对抗性样本的方法，并提出了三种攻击方式来测试针对 MNIST、SVHN 和 CelebA 数据集训练的网络，分别利用基于分类的对手，直接利用 VAE 的损失函数生成重构图像，以及直接优化源和目标潜在表示之间的差异。

Feb, 2017

MTS-DVGAN：基于双变分生成对抗网络的网络物理系统异常检测

提出了一种名为 MST-DVGAN 的新型无监督双变分生成对抗模型，用于对多变量时间序列数据进行 CPS 安全的异常检测，可以提高模型的鉴别能力并生成多样的样本，实验证明该模型比现有方法更稳定且性能一致提升。

Nov, 2023

用通用对抗签名保护深度生成模型

本文提出将普遍对抗性签名注入到任意预训练生成模型中，增加其生成内容的可检测性和可追踪性，从而避免其潜在的滥用和威胁。

May, 2023

差分隐私数据生成模型

提出了一种基于差分隐私的自编码生成模型和变分自编码生成模型，这些模型可以有效地保护深度学习的隐私，并且经过评估具有较强的鲁棒性。

Dec, 2018

基于深度生成建模的数据增强与演示，使用 BFBT 基准空隙率数据集

本研究探讨深度生成模型在核工程中扩增科学数据的应用，发现变分自编码器（VAEs）、条件变分自编码器（CVAEs）和生成对抗网络（GANs）具有相当的生成性能，使合成数据集的误差较小，证明深度生成模型在核工程中具有扩增训练数据集并让其他深度学习模型更准确训练的巨大潜力。

Aug, 2023

生成式对抗网络实现的深度语义哈希

本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing，通过针对大规模图像检索任务，利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据，以此提升哈希搜索技术的效果和精度。实验证明，该方法比当前的深度哈希模型有着更好的效果。

Apr, 2018

基于深度不确定性学习的人脸反欺诈的双重欺骗分离生成

本文提出了基于 Dual Spoof Disentanglement Generation (DSDG) 框架的 “反欺诈通过生成” 的方法来改善现有的人脸反欺诈数据集的不足，采用可解释分解的潜变量表征来生成大规模的成对的真实和欺诈图片，通过引入轻量级的深度不确定性模块 (DUM)，消除了由于噪声样本所导致的深度预测不准确的问题，实验结果在五个基准测试中，均取得了最优效果。

Dec, 2021

神秘揭露者：针对深度神经网络的生成模型反演攻击

本文介绍了一种新型攻击方法 —— 生成模型反演攻击，它可以显著地提高逆转深度神经网络的准确率，攻击者使用部分公共信息学习分布先验，引导逆转过程，并且通过实验证明了差分隐私在该攻击下的防御效果有限。

Nov, 2019

使用自编码器和连体网络进行在线手写签名验证

本文提出了一种新颖的、面向自动签名验证任务的独立于作者的全局特征提取框架，其中包括一个自编码器和一个连体网络来实现样本的建模和分类，利用注意机制和降采样的技术，提高了框架的准确度，其简单性使其计算成本低，并且可以在 GPU、TPU 等设备上并行使用。在两个数据集上的实验表明，该方法相对于最佳报告结果取得了显著的准确度提高。

Dec, 2017

AR-GAN: 面向自动驾驶交通标志分类系统的对抗攻击的生成对抗网络防御方法

该研究提出了一种基于生成对抗网络（GAN）的自主车辆中交通标志分类的防御方法，名为 AR-GAN。AR-GAN 的创新之处在于：（一）假设对抗攻击模型和样本没有任何先验知识，（二）在各种对抗攻击类型下均提供一致高的交通标志分类性能。AR-GAN 分类系统由一个通过重构去噪的生成器和一个分类重构图像的分类器组成。该研究测试了 AR-GAN 在无攻击和各种对抗攻击下的性能，并将其与几种基准对抗防御方法进行了比较。结果表明，AR-GAN 和基准防御方法均能抵御黑盒攻击，并能达到与未扰动图像相似的分类性能。然而，在所有考虑的白盒攻击中，AR-GAN 方法优于基准防御方法。此外，在不同的白盒对抗扰动程度下，AR-GAN 能够保持其高的分类性能，而其他防御方法的性能在增加扰动程度时会急剧下降。

Dec, 2023