.png){kind=icon}
返回
Enhancing Adversarial Attacks with Vector Quantization
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-6294-4_9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习模型尽管表现出色，但仍易受对抗攻击影响，微小的扰动即可显著干扰模型预测。生成针对全局和显著特征的、带有这些难以察觉修改的对抗样本，通常需要大量计算资源。本文提出通过引入基于向量量化（VQ）的预处理步骤，对现有对抗攻击方法进行改进的非梯度方法。利用VQ的编码能力，我们的方法优化了用于攻击的码本，增强了投影梯度下降（PGD）和基于雅可比的显著图攻击（JSMA）的性能。基于量化的转换增强了PGD应用全局扰动的能力，并改善了JSMA对特定特征操纵的聚焦。这是因为向量量化不依赖梯度，而梯度是传统梯度方法的局限。这导致在各类模型和数据集上攻击成功率得到提升。将量化整合到对抗攻击流程中不仅提高了成功率，还保留了扰动的难以察觉性。此外，我们的方法能动态控制扰动水平，为调整攻击强度以实现预期效果提供灵活性。总之，我们的方法展示了利用量化强化对抗攻击的潜力，为未来研究如何提升攻击策略的效率与鲁棒性提供了新方向。
Keyword:
adversarial examples
imperceptible transformations
adversarial attacks
vector quantization
deep learning
期刊
机构
引用论文
Adversarial Attacks on Graph Neural Networks: Perturbations and their Patterns图神经网络的对抗攻击: 扰动及其模式
PREAI
分享收藏Threat of Adversarial Attacks on Deep Learning in Computer Vision: A Survey计算机视觉中对抗性攻击对深度学习的威胁: 一项调查.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容