.png){kind=icon}
返回
Chaotic variational auto encoder-based adversarial machine learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compeleceng.2025.110646.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）已成功渗透到几乎所有领域。这一事实使得机器学习模型成为欺诈者实施各种对抗性攻击的目标，从而阻碍了机器学习模型的性能。基于规避和数据投毒的攻击尤为臭名昭著，特别是在金融、医疗保健和其他关键部门。这促使我们提出了一种新颖的、计算成本更低的方法，通过使用变分自编码器（VAE）生成对抗样本。众所周知，小波神经网络（WNN）被认为是解决图像和音频处理、语音识别以及时间序列预测问题的高效计算方法。本文提出了一种VAE-Deep-Wavelet神经网络（VAE-Deep-WNN），其中编码器和解码器采用小波神经网络（WNN）而非多层感知器（MLP）。最近，据报道混沌变分自编码器（C-VAE）在单类分类中更有效[1]，这促使我们提出了Deep-WNN和MLP基于的VAE的混沌变体，分别命名为C-VAE-Deep-WNN和C-VAE-MLP。我们的混沌变体采用Logistic映射生成混沌数，替代传统VAE潜在空间中的随机噪声。在本文中，我们进行了原始VAE和混沌VAE的对抗样本生成，并将它们应用于金融和网络安全领域的各种问题，如贷款违约、信用卡欺诈和客户流失建模等；我们对逻辑回归、决策树、梯度提升和轻量梯度提升模型进行了规避和数据投毒攻击。在大多数数据集中，VAE-Deep-WNN/C-VAE-Deep-WNN在规避和数据投毒攻击中均优于其他基于VAE的变体。
