返回
Certainty Attacks Using Explainability Preprocessing
DOI:10.1007/978-3-032-02215-8_15.png)
摘要
En 中文
随着机器学习的重要性逐年提升,学习者已根据其在未见数据上的表现进行了优化,但并未考虑待分类数据可能被攻击者主动操纵以引发误判。本研究提出了一种针对模型置信度的攻击方法。我们认为这是一种重要的攻击角度,因为许多检测防御措施依赖于置信度指标。本文的新颖之处在于,我们在四个关键方面优化了攻击:成功率、误分类的置信度、攻击向其他模型的迁移能力以及生成对抗样本的图像质量。我们将其作为一种改进攻击的方法,以提升攻击的置信度及其他关键指标(如攻击效果),而不仅限于准确率。代码可从https://github.com/KDDOpenSource/Certainty-Attacks.git获取。
Keyword:
Certainty Attacks
Adversarial Examples
Explainability Preprocessing
Model Robustness
Transferability
期刊
B
IF:
0
论文数:
26
被引数:
0
机构
引用论文
On the Independence of Adversarial Transferability to Topological Changes in the Dataset关于对抗性迁移性对数据集拓扑结构变化的独立性

