Jan, 2024

GE-AdvGAN：基于梯度编辑的对抗生成模型改进对抗样本的可传递性

PDF
TL;DR通过优化生成器参数的训练过程并引入梯度编辑机制，GE-AdvGAN 算法能够生成高度可迁移的对抗样本并在执行时间上与现有方法相比保持最小化。
adversarial generative modelsganstransferable black-box attacksgradient editingge-advgan
发现论文，激发创造
  • 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

  • GNP 攻击：通过梯度范数惩罚产生可迁移的对抗样本

    通过梯度范数惩罚的新方法大大提高了对抗样本的可传递性，使其能够在各种目标模型上进行黑盒攻击，对源模型的体系结构和特征表示的拟合度较低，同时也能与其他基于梯度的方法进行整合以实现更强的基于传递的攻击。

    Jul, 2023

  • 元梯度对抗攻击

    本文提出了一种名为 Meta Gradient Adversarial Attack（MGAA）的新型结构，采用元学习的思想，插入攻击方法以提高跨模型的传递性，通过缩小白盒和黑盒攻击之间的梯度方向差距来改善黑盒设置下的对抗样本的传递性。在 CIFAR10 和 ImageNet 数据集上的实验结果表明，本文所提出的结构在黑盒和白盒攻击设置方面胜过了现有的最先进方法。

    Aug, 2021

  • 通用单次域自适应生成对抗网络

    本论文提出一种新颖的框架，通过使用切片 Wasserstein 距离，固定样式，并引入辅助网络来解决风格和实体转移的广义单次适应任务，并使用变异拉普拉斯正则化来实现跨域对应关系，成功地在各种场景中展示了我们方法的有效性。

    Sep, 2022

  • T-GD: 可转移的 GAN 生成图像检测框架

    本文提出了一种名为 T-GD 的转移性 GAN 图像检测框架，它包括一个教师模型和一个学生模型，通过迭代地相互训练和评估来提高检测性能，着重于提高 GAN 图像检测的可转移性和迁移学习能力，可以在没有元数据信息的情况下，通过很少的数据就能够有效地检测最新的 GAN 图像。

    Aug, 2020

  • 通用对抗训练提高鲁棒性和泛化性

    本文介绍一种名为生成对抗训练的方法，用于提高深度神经网络对测试集和域外样本的泛化能力，并增强其抵抗未知对抗攻击的能力。

    Sep, 2021

  • 图像和视频对象检测的可传递对抗性攻击

    本研究提出了一种基于生成对抗网络（GAN）框架的方法，通过联合训练高级别类别损失和低级别特征损失，获得生成对抗图像和视频，并成功解决了对目标检测模型的对抗攻击中存在的二合一问题：低的迁移能力和高的计算成本。

    Nov, 2018

  • CT-GAT: 基于迁移能力的跨任务生成对抗性攻击

    我们提出了一种新颖的方法，通过提取不同任务间可转移的特征，直接构建对抗样本，并利用这些特征生成适用于不同任务的对抗样本，在十个不同数据集上的实验结果表明，我们的方法在攻击性能上取得了卓越的表现，并且成本较小。

    Oct, 2023

  • 梯度细化改善对抗迁移能力

    采用梯度修正的方法，可进一步提高对抗性转移性，通过对多个转换引入的无用梯度进行修正，我们的方法在 ImageNet 数据集上可以实现 82.07％的平均转移成功率，在单模型设置下胜过其他最先进的方法的平均 6.0％，并且我们已将所提出的方法应用于由阿里巴巴组织的 CVPR 2021 ImageNet 无限制对抗攻击比赛中，攻击成功率在 1558 支队伍中排名第二。

    May, 2021

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016