.png){kind=icon}
返回
An Adversarial Example Generation Algorithm Based on DE-C&W
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14071274.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
围绕深度学习模型的安全问题削弱了其在各领域的应用效果。研究针对深度学习模型的攻击有助于评估其安全性，并针对性地加以改进。在用于此目的的方法中，深度学习模型的对抗样本生成方法已成为学术研究的热点。为克服对抗样本生成中存在的网络访问广泛、攻击成本高及通用性有限等问题，本文提出了一种基于改进DE-C&W的通用对抗样本生成算法。该算法采用改进的差分进化（DE）算法对原始样本进行全局搜索，寻找易受攻击的脆弱敏感点。随后，在这些敏感点上添加随机扰动以获得对抗样本，并将其作为C&W攻击的初始输入。C&W攻击算法的损失函数基于这些初始输入样本构建，并进一步采用自适应矩估计（Adam）算法优化损失函数，以获得最优扰动向量。实验结果表明，该算法不仅确保生成的对抗样本实现了更高的攻击成功率，还在提升可迁移性的同时减少了平均查询次数并降低了攻击成本。
Keyword:
deep learning
adversarial examples
differential evolution
C&W attack
Adam
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
暂无机构信息
引用论文
分享收藏An improved differential evolution algorithm with fitness-based adaptation of the control parameters
PREAI
分享收藏
An adaptive differential evolution with combined strategy for global numerical optimization.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏分享收藏
查看更多内容