.png){kind=icon}
返回
Black-Box Attacks on DOA Estimation
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2026.3676434.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管基于深度学习的DOA估计取得了显著进展，但这些模型对对抗攻击表现出关键性脆弱性。以往针对DOA估计模型攻击的研究通常需要掌握目标模型的全知信息，这在现实世界的黑盒场景中不切实际。本文探索了两种针对基于深度学习的DOA模型的黑盒对抗攻击策略：基于迁移的攻击和基于决策的攻击。基于决策的攻击通过查询模型的硬标签预测迭代生成对抗样本，而基于迁移的攻击则利用可访问架构和数据集的代理模型构造扰动。我们系统性地研究了代理模型的架构、深度及输入如何影响攻击的迁移性。在8单元均匀线阵设置下，实验结果表明，两种策略均能显著降低基于深度学习的DOA模型的性能，并在黑盒场景中达到高于88%的攻击成功率。尤为关键的是，我们进一步证明，针对深度学习模型设计的对抗样本也会损害经典的子空间法DOA估计方法，其RMSE值是AWGN条件下的1.39至50.77倍，具体倍数取决于攻击类型。
Keyword:
Adversarial samples
black-box attacks
direction-of-arrival estimation
deep learning
期刊
I
IF:
7
论文数:
1.5K
被引数:
5.5K
机构
引用论文
MD-DOA: A Model-Based Deep Learning DOA Estimation ArchitectureMd-doa: 一种基于模型的深度学习DOA估计架构.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏
分享收藏分享收藏
查看更多内容