提高对抗样本迁移性无风格扰动方法.pdfVIP

Stys:提高对抗样本的迁移性

声*理工大学

{cskliang,csbxiao}@comp.polyu.edu.hk

2023

年

A

对抗可以通过向良性样本添加不可察觉的扰动

23来误导深度神经网络（DNN）。的迁移性使得对

]

.抗样本能够具有未知架构或参数的黑盒DNN，这

C

对许多实际应用构成了。我们发现现有的可迁移攻

9

V

7击在优化过程中不区分风格特征和内容特征，限制了它

5

[

1们的迁移性。为了提高迁移性，我们提出了一

cs

1

.种新的方法，称为无风格扰动（Stys）。具体

来说，我们建议使用风格化网络作为模型，而不是

使用普通的网络。风格化网络通过扰动自适应实例归一

4化来编码不同的风格特征。我们的方法可以防止对抗样

0

3本利用非鲁棒的风格特征，并帮助生成可迁移的扰动。