梯度聚合增强对抗样本迁移性方法.pdfVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

ComputerEngineeringandApplications计算机工程与应用2024,60(14)275

梯度聚合增强对抗样本迁移性方法

邓诗芸,凌捷

广东工业大学计算机学院,广州510006

摘要:基于深度神经网络的图像分类模型容易受到对抗样本的攻击。现有研究表明,白盒攻击已经能够实现较

高的攻击成功率,但在攻击其他模型时对抗样本的可迁移性较低。为提高对抗攻击的可迁移性,提出一种梯度聚

合增强对抗样本迁移性方法。将原始图像与其他类别图像以特定比例进行混合,得到混合图像。通过综合考虑不

同类别图像的信息,并平衡各类别之间的梯度贡献,可以避免局部振荡的影响。在迭代过程中聚合当前点的邻域

其他数据点的梯度信息以优化梯度方向,避免对单一数据点的过度依赖,从而生成具有更强迁移性的对抗样本。在

ImageNet数据集上的实验结果表明,所提方法显著提高了黑盒攻击的成功率和对抗样本的可迁移性。在单模型攻

击上,该方法在四种常规训练模型的平均攻击成功率为88.5%,相比Admix方法提升了2.7个百分点;在集成模型攻

击上平均攻击成功率达到了92.7%。此外,该方法可以与基于转换的对抗攻击方法相融合,在三种对抗训练模型上

平均攻击成功率相较Admix方法提高了10.1个百分点,增强了对抗攻击的可迁移性。

关键词:深度神经网络;对抗攻击;可迁移性;梯度聚合

文献标志码:A中图分类号:TP183doi:10.3778/j.issn.1002-8331.2304-0174

GradientAggregationBoostingAdversarialExamplesTransferabilityMethod

DENGShiyun,LINGJie

SchoolofComputer,GuangdongUniversityofTechnology,Guangzhou510006,China

Abstract:Imageclassificationmodelsbasedondeepneuralnetworksarevulnerabletoadversarialexamples.Existing

studieshaveshownthatwhite-boxattackshavebeenabletoachieveahighattacksuccessrate,butthetransferabilityof

adversarialexamplesislowwhenattackingothermodels.Inordertoimprovethetransferabilityofadversarialattacks,this

paperproposesagradientaggregationmethodtoenhancethetransferabilityofadversarialexamples.Firstly,theoriginal

imageismixedwithotherclassimagesinaspecificratiotoobtainamixedimage.Bycomprehensivelyconsideringthe

informationofdifferentcategoriesofimagesandbalancingthegradientcontributionsbetweencategories,theinfluenceof

localoscilationscanbeavoided.Secondly,intheiterativeprocess,thegradientinformationofotherdatapointsinthe

neighborhoodofthecurrentpointisaggregatedtooptimizethegradientdirection,avoidingexcessivedependenceona

singledatapoint,andthusgeneratingadversarialexampleswithstrongermobility.ExperimentalresultsontheImageNet

datasetsh

文档评论(0)

你就是我的小鱼鱼 + 关注
实名认证
文档贡献者

教师资格证持证人

该用户很懒,什么也没介绍

领域认证该用户于2024年10月18日上传了教师资格证

1亿VIP精品文档

相关文档