.png){kind=icon}
返回
A Second-Order Optimization-Based Adaptive Attack Method for Deep Convolutional Neural Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/TR.2025.3600691.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度卷积神经网络（DCNNs）容易受到微小扰动的攻击。目前，基于一阶优化的对抗攻击方法是生成扰动的常用方法，例如PGD。已知二阶优化方法比一阶方法收敛更快。因此，自然期望基于二阶优化的攻击方法性能应优于基于一阶的方法。然而，现有的二阶攻击方法并未表现出比一阶攻击方法更优的性能。其原因是，这些二阶攻击方法采用与一阶方法相同的符号函数来生成像素扰动。因此，在本文中，我们提出了一种基于二阶优化的自适应攻击方法，其核心是一种自适应扰动生成策略。我们在多个数据集和不同模型上评估了所提出的方法。实验结果表明，所提出的基于二阶优化的自适应攻击方法能够在比现有二阶攻击方法和PGD更少的迭代次数内生成使DCNN发生误分类的对抗样本，并且具有竞争力的时间复杂度。
Keyword:
Adaptive perturbation generation
adversarial attacks
deep neural networks (DCNNs)
robustness
second-order optimization
期刊
IF:
5.7
论文数:
2.8K
被引数:
8.5K
机构
引用论文
Toward Improved Reliability of Deep Learning Based Systems Through Online Relabeling of Potential Adversarial Attacks通过在线重新标记潜在的对抗性攻击来提高基于深度学习的系统的可靠性
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏
A Stochastic Estimator of the Trace of the Influence Matrix for Laplacian Smoothing Splines拉普拉斯平滑样条的影响矩阵迹线的随机估计
PREAI
分享收藏
查看更多内容