[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)

以下内容来自于组会论文分享,后面部分slides中比较清晰,就直接引用了。有需要slides的朋友,可关注公众号进行获取。

文中的假设部分,暂时还没结论,感兴趣的同学可以探索下。

文中的方法来自于Nips17的defence比赛中,该团队先将把比赛策略写成的文章,投中了ICLR18,可以参考另一篇文章[读论文]-通过随机操作减缓对抗攻击的影响(Mitigating Adversarial Effects Through Randomization),把该思路用于攻击,投中了CVPR19的,真正的大佬啊。。。

论文相关信息:

The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019, pp. 2730-2739
作者:Cihang Xie, Zhishuai Zhang, Yuyin Zhou, Song Bai, Jianyu Wang, Zhou Ren, Alan L. Yuille – 霍普金斯大学
论文地址:https://arxiv.org/pdf/1803.06978.pdf

论文介绍:

CNN在视觉任务中已经取得了非常好的效果,但在面对对抗样本时,却显得非常脆弱。但现有的大多数对抗样本攻击方法,在黑盒攻击设置下,只能实现较低成功率。此次分享介绍了如何通过输入多样性来提高对抗样本的可移植性,产生对于白盒攻击、黑盒攻击成功率都高的对抗样本。

0. 摘要( Abstract )

  • CNN在CV中已经取得了非常好的效果,但存在脆弱性;
  • 目前的攻击方法针对黑盒攻击成功率不高;
  • 本文通过创建diverse input patterns产生对抗样本,以此提高对抗样本的迁移能力;
  • 实验效果表明,根据该方法产生的对抗样本更具迁移能力:
    • NIPS17年比赛中,使用该方法对排名靠前的防御方法和baseline进行攻击,平均成功率达到73%;
    • 比NIPS17中top1攻击方法提高了6.6%;
  • 本文方法可以作为评估对抗网络鲁棒性,和防御方法有效性的baseline

1. 引言(Introduction)

  • CNN因极好性能,促使其在CV中应用广泛。
    • 但在面对非常小的扰动时,CNN非常脆弱,会预测失败,存在脆弱性;
    • 研究对抗样本,能促使我们了解不同模型的鲁棒性,并理解当前这些训练算法的不足之处。
  • 现有的方法分为两种:单步攻击和迭代攻击
    • 单步攻击针对白盒的效果一般,但针对黑盒攻击效果好,迁移能力强
    • 多步针对白盒攻击成功率更高,但针对黑盒攻击效果差,迁移能力差
  • 原因:单步 - underfit,多步 - overfit
  • 怎样产生对于白盒攻击、黑盒攻击成功率都高的对抗样本?
  • 受数据增强的启发,本文通过创建diverse input patterns产生对抗样本,以此提高对抗样本的迁移能力。
  • 针对I-FGSM和MI-FGSM进行改进并取得了很好的效果
    [论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第1张图片

2. 相关工作(Related Work)[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第2张图片

3. 方法(Methodology)

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第3张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第4张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第5张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第6张图片
[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第7张图片
[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第8张图片
[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第9张图片
[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第10张图片
[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第11张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第12张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第13张图片

4. 实验[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第14张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第15张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第16张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第17张图片
[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第18张图片

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第19张图片

5. 结论

[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)_第20张图片

你可能感兴趣的:(深度学习,读论文)