.png){kind=icon}
返回
Frequency-Guided Adaptive Gradient Attack for Transferable Adversarial Examples
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4398-4_27.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期研究表明，深度神经网络（DNNs）极易受到对抗攻击，构成重大安全威胁。在各类方法中，基于迁移的攻击旨在生成跨模型泛化的对抗样本。然而，现有方法通常缺乏对统一扰动方向的有效指导，难以确保高迁移性。为解决此问题，我们提出一种新颖的频率引导自适应梯度攻击（FAGA）方法，其整合了两个关键组件：截断正态频率约束（TNFC）和自适应步长调整器（ASA）。TNFC对高频分量施加截断正态约束，抑制过拟合的高频细节同时保留低频分量，从而引导扰动朝向共享决策边界。ASA基于梯度一致性动态调整步长，在动量收敛时稳定优化过程。此外，我们通过频谱变换进行模型增强，并聚合白盒模型的平均梯度以进一步优化攻击方向。在标准代理模型（Inc-v3）上的广泛实验表明，FAGA在黑盒攻击中达到90.3%的成功率，在防御模型中达到78.8%，优于现有最先进方法。结果表明，FAGA显著提升了对抗样本的迁移性和鲁棒性。
Keyword:
Adversarial Attack
Transferability
Frequency
Transferable Adversarial Examples
Black-boxAttack
期刊
P
IF:
0
论文数:
29
被引数:
0
机构
引用论文
.png){kind=icon}
Inception-v4, Inception-ResNet and the Impact of Residual Connections on LearningInception-v4、Inception-ResNet和剩余连接对学习的影响
OAAI
OAAI分享收藏Frequency-based methods for improving the imperceptibility and transferability of adversarial examples基于频率的方法，用于改善对抗示例的不可感知性和可转移性
PREAI
分享收藏Stochastic Variance Reduced Ensemble Adversarial Attack for Boosting the Adversarial TransferabilityOAAI
OAAI分享收藏
查看更多内容