Fugu-MT 論文翻訳(概要): Perturbing Across the Feature Hierarchy to Improve Standard and Strict Blackbox Attack Transferability

論文の概要: Perturbing Across the Feature Hierarchy to Improve Standard and Strict Blackbox Attack Transferability

arxiv url: http://arxiv.org/abs/2004.14861v1
Date: Wed, 29 Apr 2020 16:00:13 GMT
ステータス: 処理完了
システム内更新日: 2022-12-08 13:27:32.914286
Title: Perturbing Across the Feature Hierarchy to Improve Standard and Strict Blackbox Attack Transferability
Title（参考訳）: 特徴階層全体の摂動による標準および厳格なブラックボックス攻撃伝達性の向上
Authors: Nathan Inkawhich, Kevin J Liang, Binghui Wang, Matthew Inkawhich, Lawrence Carin and Yiran Chen
Abstract要約: 我々は、ディープニューラルネットワーク(DNN)画像分類器の領域におけるブラックボックス転送に基づく敵攻撃脅威モデルを検討する。我々は,多層摂動が可能なフレキシブルアタックフレームワークを設計し,最先端のターゲット転送性能を示す。提案手法が既存の攻撃戦略より優れている理由を解析し,ブラックボックスモデルに対する限られたクエリが許された場合に,メソッドの拡張を示す。
参考スコア（独自算出の注目度）: 100.91186458516941
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the blackbox transfer-based targeted adversarial attack threat model in the realm of deep neural network (DNN) image classifiers. Rather than focusing on crossing decision boundaries at the output layer of the source model, our method perturbs representations throughout the extracted feature hierarchy to resemble other classes. We design a flexible attack framework that allows for multi-layer perturbations and demonstrates state-of-the-art targeted transfer performance between ImageNet DNNs. We also show the superiority of our feature space methods under a relaxation of the common assumption that the source and target models are trained on the same dataset and label space, in some instances achieving a $10\times$ increase in targeted success rate relative to other blackbox transfer methods. Finally, we analyze why the proposed methods outperform existing attack strategies and show an extension of the method in the case when limited queries to the blackbox model are allowed.
Abstract（参考訳）: 我々は,deep neural network (dnn) 画像分類器の領域におけるblackbox transfer-based target adversarial attack threatモデルについて考察する。ソースモデルの出力層における決定境界の交差に焦点をあてるのではなく、抽出した特徴階層全体の表現を他のクラスに類似させる。我々は,多層摂動が可能なフレキシブルアタックフレームワークを設計し,ImageNet DNN間の最先端のターゲット転送性能を示す。また、ソースモデルとターゲットモデルが同じデータセットとラベル空間でトレーニングされているという一般的な仮定の緩和の下で、我々の機能空間メソッドの優位性を示す。最後に,提案手法が既存の攻撃戦略に勝る理由を分析し,ブラックボックスモデルへの限定クエリが許可された場合のメソッドの拡張を示す。

関連論文リスト

Beyond ImageNet Attack: Towards Crafting Adversarial Examples for Black-box Domains [80.11169390071869]
敵対的な例は、転送可能な性質のため、ディープニューラルネットワークに深刻な脅威をもたらしている。ブラックボックス領域への転送可能性を調べるために,Beyond ImageNet Attack (BIA)を提案する。提案手法は, 最先端手法を最大7.71%(粗粒領域)と25.91%(細粒領域)で平均的に上回っている。
論文参考訳（メタデータ） (2022-01-27T14:04:27Z)
Boosting Transferability of Targeted Adversarial Examples via Hierarchical Generative Networks [56.96241557830253]
転送ベースの敵攻撃はブラックボックス設定におけるモデルロバスト性を効果的に評価することができる。本稿では,異なるクラスを対象にした対角的例を生成する条件生成攻撃モデルを提案する。提案手法は,既存の手法と比較して,標的となるブラックボックス攻撃の成功率を大幅に向上させる。
論文参考訳（メタデータ） (2021-07-05T06:17:47Z)
On Generating Transferable Targeted Perturbations [102.3506210331038]
伝達性の高い標的摂動に対する新しい生成的アプローチを提案する。私たちのアプローチは、ターゲットクラスの「乱れた画像分布」にマッチし、高いターゲット転送率につながります。
論文参考訳（メタデータ） (2021-03-26T17:55:28Z)
Query-Free Adversarial Transfer via Undertrained Surrogates [14.112444998191698]
本研究では,ブラックボックス環境における敵攻撃の有効性を改善するための新しい手法を提案する。本稿では, この手法がアーキテクチャ全体にわたって良好に伝達し, 最先端の手法よりも広いマージンで性能を向上することを示す。
論文参考訳（メタデータ） (2020-07-01T23:12:22Z)
Boosting Black-Box Attack with Partially Transferred Conditional Adversarial Distribution [83.02632136860976]
深層ニューラルネットワーク(DNN)に対するブラックボックス攻撃の研究我々は, 代理バイアスに対して頑健な, 対向移動可能性の新たなメカニズムを開発する。ベンチマークデータセットの実験と実世界のAPIに対する攻撃は、提案手法の優れた攻撃性能を示す。
論文参考訳（メタデータ） (2020-06-15T16:45:27Z)
Transferable Perturbations of Deep Feature Distributions [102.94094966908916]
本研究は,クラスワイドおよび層ワイドな特徴分布のモデリングと利用に基づく新たな敵攻撃を提案する。我々は、未定義の画像ネットモデルに対して、最先端のブラックボックス転送に基づく攻撃結果を得る。
論文参考訳（メタデータ） (2020-04-27T00:32:25Z)
Luring of transferable adversarial perturbations in the black-box paradigm [0.0]
我々は、ブラックボックス転送攻撃に対するモデルの堅牢性を改善するための新しいアプローチを提案する。除去可能な追加ニューラルネットワークが対象モデルに含まれており、テクスチャリング効果を誘導するように設計されている。提案手法は,対象モデルの予測にのみアクセス可能であり,ラベル付きデータセットを必要としない。
論文参考訳（メタデータ） (2020-04-10T06:48:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。