TabAttackBench: A benchmark for adversarial attacks on tabular data

doi:10.1016/j.eswa.2025.130491

TabAttackBench: A benchmark for adversarial attacks on tabular data

2025-11-19

0

OA

AI

DOI：10.1016/j.eswa.2025.130491

原文链接

查看原文

摘要

En 中文

对抗攻击通过向输入数据引入难以察觉的扰动来诱导错误的预测，对机器学习模型构成了重大威胁。尽管这些攻击在图像等非结构化领域已有充分研究，但由于混合特征类型和复杂的特征间依赖关系，它们在表格数据上的行为仍待深入探索。本研究引入了一个综合基准，从有效性和难以察觉性两方面评估表格数据集上的对抗攻击。我们评估了五种白盒攻击算法（FGSM、BIM、PGD、DeepFool和C&W）在四种代表性模型（LR、MLP、TabTransformer和FT-Transformer）上的表现，使用了涵盖金融、能源和医疗领域的十一个数据集。该基准采用四种定量难以察觉性指标（邻近度、稀疏度、偏差度和敏感度）来表征扰动的真实性。分析量化了这两方面的权衡，并揭示了不同攻击类型间的显著差异：ℓ∞基攻击虽然成功率更高，但隐蔽性更差；而ℓ2基攻击则能提供更真实的扰动。该基准的研究结果为设计更难以察觉的对抗攻击提供了可操作的见解，并推进了对表格机器学习中对抗脆弱性的理解。

Keyword:

Adversarial attack

Tabular data

Benchmark

Machine learning

Robustness

TabAttackBench: A benchmark for adversarial attacks on tabular data

摘要

AI总结

期刊

机构

引用论文