Data-Centric Robust Training for Defending Against Transfer-Based Adversarial Attacks

doi:10.1109/TIFS.2025.3611148

Data-Centric Robust Training for Defending Against Transfer-Based Adversarial Attacks

2025-01-01

0

PRE

AI

DOI：10.1109/TIFS.2025.3611148

原文链接

原文求助

摘要

En 中文

基于迁移的对抗攻击对现实世界的深度学习系统构成了严重威胁，因为它们不需要访问目标模型。对抗训练（AT）被认为是防御白盒攻击最有效的手段，同时也确保了对（黑盒）迁移式攻击的高鲁棒性。然而，AT由于在整个训练过程中反复生成对抗样本（AEs）而面临显著的计算开销。在本文中，我们证明这种反复生成对于实现对抗迁移式攻击的鲁棒性而言并非必要。相反，如我们所提出的新防御范式——数据为中心的鲁棒训练（DCRT）所示，在训练前一次性预生成AEs就足够了。DCRT采用干净数据增强和对抗数据增强技术来增强训练前的数据集。我们的实验结果表明，DCRT在对抗式黑盒鲁棒性方面优于广泛使用的AT技术（例如PGD-AT、TRADES、EAT和FAT），并且在与常见模型为中心的技术结合时，甚至超越了RobustBench上的第一名防御方法。我们还强调了DCRT的其他优势，例如提高训练效率和类别级公平性。我们的代码将在GitHub上发布。

Keyword:

Adversarial example

transfer-based attack

black-box defense

data-centric learning

class-wise fairness

Data-Centric Robust Training for Defending Against Transfer-Based Adversarial Attacks

摘要

期刊

机构

引用论文