.png){kind=icon}
返回
RootES: A Method for Generating Text Adversarial Examples Using Root Embedding Space
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-94445-1_13.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习在自然语言处理（NLP）中的广泛部署促使研究人员认识到现有模型对对抗样本的脆弱性。当前生成文本对抗样本的方法常表现出高扰动率、扰动方法有限和相似度差等问题。为解决这些问题，本文提出一种名为RootES的过程，利用根嵌入空间生成文本对抗样本。首先，采用具有多头自注意力机制增强的BERT（双向编码器表示来自Transformer）模型，以准确识别显著影响分类的关键词。其次，根嵌入空间模型寻找与关键词最相似的词根，进行字符级扰动，生成不同扰动类型的候选样本。最后，将候选样本视为不同簇，并选择其中一个作为最终混合型对抗样本，包含不同类型的替换。实验结果表明，在IMDB评论、Yelp评论和AG新闻数据集上生成的对抗样本，与现有方法相比具有更低的扰动率（PR）和更高的攻击成功率（SR）及相似度（Sim）。进一步实验证实，RootES生成的对抗样本具有良好的迁移性，且对抗训练增强了模型鲁棒性。
Keyword:
Text Adversarial Examples
Attention Mechanism
Deep Learning
Adversarial Training
Natural Language Processing
期刊
S
机构
引用论文
Robust convolutional neural networks against adversarial attacks on medical images.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
WordChange: Adversarial Examples Generation Approach for Chinese Text ClassificationIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容