Dec, 2023

PGN：对深度强化学习的扰动生成网络

PDF
TL;DR提出一种新的生成模型来攻击代理并探索深度强化学习的易受攻击性，通过针对深度强化学习的行动一致性率和新的有效性与隐蔽性测量指标，实现针对性攻击和非针对性攻击，并展示了该方法相比其他算法在攻击的效果和隐蔽性方面的优势以及验证深度强化学习易受攻击性的高效快速性。
deep reinforcement learningvulnerabilitygenerative modeladversarial examplesstealthiness
发现论文，激发创造
  • 深度包生成：用于对抗性网络包生成的深度强化学习框架

    通过深度强化学习生成对抗性数据包，提高入侵检测系统的鲁棒性。在公开数据集上，Deep PackGen 平均对多种机器学习模型进行了 66.4％的成功率，45％的成功对抗样本回避了分类器的决策边界。

    May, 2023

  • 深度增强学习的深度攻击

    通过强化学习实现攻击，在考虑攻击效果和匿名性的前提下，使用新的攻击性能指标对此方法进行评估，初步实验结果表明了该方法的有效性、鲁棒性和可转移性。

    May, 2022

  • 使用对抗网络进行鲁棒性深度学习的直接方法

    该论文提出了一种基于生成对抗网络 (GAN) 框架下的新防御机制来对抗黑盒攻击，在经验上表现良好并能与利用梯度下降的集成对抗训练和对抗训练等最先进的方法媲美。

    May, 2019

  • NAG: 对抗生成网络

    本文提出了一种基于生成对抗网络的方法，通过优化骗过分类器的目标和增加多样性的目标训练生成器，从而模拟对抗性扰动的分布，生成多样的对抗性扰动，实现了在各种分类器上实现骗过率最大化，展示出了更好的通用性。

    Dec, 2017

  • 基于深度强化学习的逃避式生成对抗网络用于僵尸网络检测

    本文提出一种名为 RELEVAGAN 的 GAN 模型，结合深度强化学习（DRL）产生语义感知的样本以抵抗对基于机器学习的僵尸网络检测器的对抗性规避攻击。

    Oct, 2022

  • 使用对抗网络生成对抗性样本

    本文提出了 AdvGAN，一种使用生成对抗网络产生高感知质量的对抗样本的方法，可以更高效地生成对抗性的扰动用于敌对训练，同时在半白盒和黑盒攻击设置下，AdvGAN 都能在 MNIST 黑盒攻击竞赛中取得 92.76％的攻击成功率。

    Jan, 2018

  • 深度策略对抗攻击探究

    本文探究了深度强化学习中的对抗攻击，比较了使用对抗样本和随机噪声攻击的有效性，并提出了一种新的基于价值函数的方法来降低攻击的成功次数。此外，本文还研究了随机噪声和 FGSM 扰动对对抗攻击韧性的影响。

    May, 2017

  • 同时扰乱一切：实现可微分的图攻击

    通过对图结构进行连续松弛和参数化，我们提出了一种名为 Differentiable Graph Attack（DGA）的新型攻击方法，以高效生成有效的攻击并同时消除了昂贵的重新训练的需求。与最新技术相比，DGA 在不同基准数据集上实现了几乎相等的攻击性能，训练时间减少了 6 倍，GPU 内存占用减少了 11 倍。此外，我们还对 DGA 在不同图模型之间的可转移性以及对广泛使用的防御机制的鲁棒性进行了广泛的实验分析。

    Aug, 2023

  • 生成对抗性训练器：用 GAN 对抗对抗性扰动

    我们提出了一种新的技术，使用生成对抗网络使神经网络对抗性示例具有鲁棒性，通过交替训练分类器和生成器网络，我们成功地应用于 CIFAR 数据集的监督学习，实验结果表明我们的方法显著降低了网络的泛化误差。这是我们所知道的第一个使用 GAN 改进监督学习的方法。

    May, 2017

  • 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