.png){kind=icon}
返回
Adversarial Example Generation Method Based on Wavelet Transform
.png){kind=icon}
OA
AI
DOI：10.3390/info17020182.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对抗样本是评估深度神经网络（DNNs）鲁棒性和揭示潜在安全漏洞的关键工具。基于生成对抗网络（GANs）的对抗样本生成方法在生成图像对抗样本方面取得了显著进展，但仍存在稀疏性不足和可迁移性差的问题。为解决这些问题，本研究提出了一种名为Wavelet-AdvGAN的新型半白盒非目标对抗样本生成方法，其明确的威胁模型定义如下。具体而言，该攻击严格非目标化，无预定义目标类别，旨在误导DNN将对抗样本分类为除原始标签外的任何类别。该方法采用半白盒设置，攻击者无法获取目标模型的私有信息。关于生成器的信息依赖性，训练阶段仅利用公开资源（即目标模型的公开架构和CIFAR-10公开训练数据），而测试阶段通过干净图像的一步前向传播生成对抗样本，无需与目标模型交互。该方法引入了频域子带差异（FSD）模块和小波变换局部特征（WTLF）提取模块，从频域角度评估原始样本与对抗样本的差异。这一方法约束扰动幅度、强化特征区域，并进一步增强了攻击效果，从而提高了对抗样本的稀疏性和可迁移性。实验结果表明，Wavelet-AdvGAN方法在数据增强和对抗训练两种防御策略下，攻击成功率平均提升1.26%。此外，对抗样本的可迁移性平均提高了2.7%。此外，所提方法具有更低的l0范数，表明扰动稀疏性更好。因此，它能够有效评估深度神经网络的鲁棒性。
Keyword:
wavelet transform
adversarial examples
GAN-based adversarial attacks
attack transferability
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
2.9
论文数:
861
被引数:
9.8K
机构
引用论文
.png){kind=icon}
AROID: Improving Adversarial Robustness Through Online Instance-Wise Data AugmentationAROID: 通过在线实例数据增强提高对抗鲁棒性
OAAI
OAAI分享收藏分享收藏
查看更多内容