Fugu-MT 論文翻訳(概要): Enhancing the Transferability of Adversarial Attacks through Variance Tuning

論文の概要: Enhancing the Transferability of Adversarial Attacks through Variance Tuning

arxiv url: http://arxiv.org/abs/2103.15571v1
Date: Mon, 29 Mar 2021 12:41:55 GMT
ステータス: 処理完了
システム内更新日: 2021-03-30 15:10:34.130456
Title: Enhancing the Transferability of Adversarial Attacks through Variance Tuning
Title（参考訳）: 可変チューニングによる敵攻撃の伝達性向上
Authors: Xiaosen Wang, Kun He
Abstract要約: 反復勾配に基づく攻撃手法のクラスを強化するための分散チューニングと呼ばれる新しい方法を提案する。標準のImageNetデータセットを用いた実験結果から,勾配に基づく敵攻撃の転送性を大幅に向上できることが示された。
参考スコア（独自算出の注目度）: 6.5328074334512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep neural networks are vulnerable to adversarial examples that mislead the models with imperceptible perturbations. Though adversarial attacks have achieved incredible success rates in the white-box setting, most existing adversaries often exhibit weak transferability in the black-box setting, especially under the scenario of attacking models with defense mechanisms. In this work, we propose a new method called variance tuning to enhance the class of iterative gradient based attack methods and improve their attack transferability. Specifically, at each iteration for the gradient calculation, instead of directly using the current gradient for the momentum accumulation, we further consider the gradient variance of the previous iteration to tune the current gradient so as to stabilize the update direction and escape from poor local optima. Empirical results on the standard ImageNet dataset demonstrate that our method could significantly improve the transferability of gradient-based adversarial attacks. Besides, our method could be used to attack ensemble models or be integrated with various input transformations. Incorporating variance tuning with input transformations on iterative gradient-based attacks in the multi-model setting, the integrated method could achieve an average success rate of 90.1% against nine advanced defense methods, improving the current best attack performance significantly by 85.1% . Code is available at https://github.com/JHL-HUST/VT.
Abstract（参考訳）: 深層ニューラルネットワークは、知覚できない摂動でモデルを誤解させる敵の例に弱い。敵の攻撃はホワイトボックス設定で驚くほど成功したが、既存の敵の多くはブラックボックス設定において、特に防御機構を持つモデル攻撃のシナリオにおいて、移動性が弱い。本研究では,反復勾配に基づく攻撃手法のクラスを強化し,攻撃伝達性を向上させるための分散調整法を提案する。具体的には、勾配計算の各イテレーションにおいて、運動量蓄積に電流勾配を直接使用する代わりに、更新方向を安定させ、局所最適値の低さから逃れるために、前回のイテレーションの勾配ばらつきをチューニングするためにも考慮する。標準画像Netデータセットにおける実験結果から,勾配に基づく敵攻撃の転送性を大幅に向上できることが示された。また,本手法はアンサンブルモデルを攻撃したり,様々な入力変換と統合することができる。マルチモデル設定における回帰勾配に基づく攻撃に対する入力変換による分散調整を組み込んだ統合手法は、9つの先進的防御手法に対して平均成功率90.1%を達成でき、現在の最善の攻撃性能を85.1%向上させた。コードはhttps://github.com/JHL-HUST/VT.comで入手できる。

関連論文リスト

Sampling-based Fast Gradient Rescaling Method for Highly Transferable Adversarial Attacks [18.05924632169541]
サンプリングに基づく高速勾配再スケーリング法(S-FGRM)を提案する。具体的には、余分な計算コストを伴わずに手話関数を置換するためにデータ再スケーリングを用いる。本手法は, 勾配に基づく攻撃の伝達可能性を大幅に向上させ, 最先端のベースラインより優れる可能性がある。
論文参考訳（メタデータ） (2023-07-06T07:52:42Z)
Making Substitute Models More Bayesian Can Enhance Transferability of Adversarial Examples [89.85593878754571]
ディープニューラルネットワークにおける敵の例の転送可能性は多くのブラックボックス攻撃の欠如である。我々は、望ましい転送可能性を達成するためにベイズモデルを攻撃することを提唱する。我々の手法は近年の最先端を大きなマージンで上回る。
論文参考訳（メタデータ） (2023-02-10T07:08:13Z)
Sampling-based Fast Gradient Rescaling Method for Highly Transferable Adversarial Attacks [19.917677500613788]
勾配ベースのアプローチは一般的に、プロセスの最後に摂動を生成するために$sign$関数を使用する。そこで本研究では,S-FGRM(Saming-based Fast Gradient Rescaling Method)を提案する。
論文参考訳（メタデータ） (2022-04-06T15:12:20Z)
Query-Efficient Black-box Adversarial Attacks Guided by a Transfer-based Prior [50.393092185611536]
対象モデルの勾配にアクセスできることなく、敵が敵の例を作らなければならないブラックボックスの敵設定を考える。従来の手法では、代用ホワイトボックスモデルの転送勾配を用いたり、モデルクエリのフィードバックに基づいて真の勾配を近似しようとした。偏りサンプリングと勾配平均化に基づく2つの事前誘導型ランダム勾配フリー(PRGF)アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-03-13T04:06:27Z)
Adaptive Perturbation for Adversarial Attack [50.77612889697216]
そこで本研究では,新たな逆例に対する勾配に基づく攻撃手法を提案する。逆方向の摂動を発生させるために,スケーリング係数を用いた正確な勾配方向を用いる。本手法は, 高い伝達性を示し, 最先端の手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2021-11-27T07:57:41Z)
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)
Improving the Transferability of Adversarial Examples with New Iteration Framework and Input Dropout [8.24029748310858]
本稿では,反復ステップサイズ,摂動数,最大イテレーションの関係を再定義する,新たな勾配反復フレームワークを提案する。本枠組みでは,DI-TI-MIMの攻撃成功率を容易に向上させる。さらに,入力ドロップアウトに基づく勾配反復攻撃手法を提案する。
論文参考訳（メタデータ） (2021-06-03T06:36:38Z)
Improving Adversarial Transferability with Gradient Refining [7.045900712659982]
逆の例は、人間の知覚できない摂動を原画像に加えることによって作られる。ディープニューラルネットワークは、原画像に人間に知覚不能な摂動を加えることによって作られる逆転例に対して脆弱である。
論文参考訳（メタデータ） (2021-05-11T07:44:29Z)
Gradient-based Adversarial Attacks against Text Transformers [96.73493433809419]
トランスモデルに対する初の汎用勾配攻撃を提案する。我々は、ホワイトボックス攻撃が様々な自然言語タスクにおいて最先端の攻撃性能を達成することを実証的に実証する。
論文参考訳（メタデータ） (2021-04-15T17:43:43Z)
Boosting Adversarial Transferability through Enhanced Momentum [50.248076722464184]
深層学習モデルは、人間の知覚できない摂動を良心的なイメージに加えることで、敵の例に弱い。さまざまな運動量反復勾配に基づく方法が逆転性を改善するのに有効であることが示されている。本稿では,逆伝達性をさらに高めるために,運動量反復勾配に基づく手法を提案する。
論文参考訳（メタデータ） (2021-03-19T03:10:32Z)

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。