Dec, 2023

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

PDF
TL;DR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。
generative adversarial networktraffic sign classificationautonomous vehicleadversarial attacksdefense methods
发现论文，激发创造
  • 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

  • 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

  • Rob-GAN: 生成器，鉴别器和对抗攻击者

    研究反对派深度学习中的两个重要概念 - 对抗性训练和生成对抗性网络（GAN），这些概念可以相互增强并开发出一种名为 Rob-GAN 的框架，旨在同时提高 GAN 训练的收敛速度、合成图像的质量和鉴别器在强对抗性攻击下的强度。

    Jul, 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

  • 是的，我们 GAN：应用对抗技术于自动驾驶

    本文探讨了 GAN 在自动驾驶中的应用，着重讨论了先进的数据增强、损失函数学习、半监督学习等关键应用，并提出了需要解决的挑战和问题。

    Feb, 2019

  • 混合 GAN 用于调制分类对抗攻击弹性

    本文提出了一种基于生成式对抗网络（GAN）的反攻击方法，以保护基于深度神经网络（DNN）的自动调制分类（AMC）系统免受对抗性攻击，并展示了其对抗快速渐变符号方法（FGSM）算法的抵抗性。我们采用 GAN 与多发生器的混合来克服典型 GAN 所面临的模式塌陷问题，以解决针对通信系统的这个分类问题。模拟结果表明，我们的提出的防御 GAN 可将 DNN-based AMC 在对抗攻击下的准确性提高到约 81％。

    May, 2022

  • 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

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • 利用生成对抗网络增强角色设计师的创造力

    本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

    May, 2023

  • SADA：自主应用程序语义对抗性诊断攻击

    为了解决深度神经网络的鲁棒性问题，文中提出了一种针对训练代理的通用框架，覆盖了对代理环境进行语义扰动和像素级攻击的情况，主要针对自主导航的几个方面，BBGAN 攻击可以生成一致愚弄训练代理的失败案例。

    Dec, 2018