Fugu-MT 論文翻訳(概要): Practical No-box Adversarial Attacks with Training-free Hybrid Image Transformation

論文の概要: Practical No-box Adversarial Attacks with Training-free Hybrid Image Transformation

arxiv url: http://arxiv.org/abs/2203.04607v1
Date: Wed, 9 Mar 2022 09:51:00 GMT
ステータス: 処理完了
システム内更新日: 2022-03-10 15:13:31.639961
Title: Practical No-box Adversarial Attacks with Training-free Hybrid Image Transformation
Title（参考訳）: トレーニングフリーハイブリッド画像変換による非ボックス逆攻撃
Authors: Qilong Zhang, Chaoning Zhang, Chaoqun Li, Jingkuan Song, Lianli Gao, Heng Tao Shen
Abstract要約: ノンボックス脅威モデルの下では, テキストbftraining-free adversarial perturbationの存在を示す。低レベルの特徴を持つ高周波成分 (HFC) ドメインは, 主に周波数成分の操作によって画像を攻撃する。我々の手法は、主流の転送ベースのブラックボックス攻撃と競合する。
参考スコア（独自算出の注目度）: 123.33816363589506
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, the adversarial vulnerability of deep neural networks (DNNs) has raised increasing attention. Among all the threat models, no-box attacks are the most practical but extremely challenging since they neither rely on any knowledge of the target model or similar substitute model, nor access the dataset for training a new substitute model. Although a recent method has attempted such an attack in a loose sense, its performance is not good enough and computational overhead of training is expensive. In this paper, we move a step forward and show the existence of a \textbf{training-free} adversarial perturbation under the no-box threat model, which can be successfully used to attack different DNNs in real-time. Motivated by our observation that high-frequency component (HFC) domains in low-level features and plays a crucial role in classification, we attack an image mainly by manipulating its frequency components. Specifically, the perturbation is manipulated by suppression of the original HFC and adding of noisy HFC. We empirically and experimentally analyze the requirements of effective noisy HFC and show that it should be regionally homogeneous, repeating and dense. Extensive experiments on the ImageNet dataset demonstrate the effectiveness of our proposed no-box method. It attacks ten well-known models with a success rate of \textbf{98.13\%} on average, which outperforms state-of-the-art no-box attacks by \textbf{29.39\%}. Furthermore, our method is even competitive to mainstream transfer-based black-box attacks.
Abstract（参考訳）: 近年、ディープニューラルネットワーク(DNN)の敵対的脆弱性が注目されている。すべての脅威モデルの中で、No-box攻撃は最も実用的だが、ターゲットモデルや類似の代替モデルに関する知識を頼らず、新しい代替モデルをトレーニングするためのデータセットにアクセスできないため、非常に難しい。近年の手法ではそのような攻撃を緩やかに試みているが、その性能は不十分であり、訓練の計算オーバーヘッドは高価である。本稿では,No-box 脅威モデルの下での textbf{training-free} 対向摂動の存在を一歩前進させ,実時間で異なる DNN を攻撃するのに有効であることを示す。低レベルの特徴を持つ高周波成分(HFC)ドメインが分類において重要な役割を担っていることを観察した結果、我々は主に周波数成分を操作することで画像を攻撃する。具体的には、元のhfcの抑制とノイズhfcの添加により摂動を制御する。実効性雑音性HFCの要件を実験的,実験的に分析し,局所的に均一で反復的で密度が高いことを示す。 ImageNetデータセットの大規模な実験により,提案手法の有効性が示された。これはよく知られた10のモデルに対して平均で \textbf{98.13\%} の成功率で攻撃し、これは \textbf{29.39\%} による最先端のno-box攻撃を上回っている。さらに,本手法は主流転送ベースのブラックボックス攻撃と競合する。

関連論文リスト

FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
論文参考訳（メタデータ） (2023-12-07T16:56:24Z)
Microbial Genetic Algorithm-based Black-box Attack against Interpretable Deep Learning Systems [16.13790238416691]
ホワイトボックス環境では、解釈可能なディープラーニングシステム(IDLS)が悪意のある操作に対して脆弱であることが示されている。本稿では,IDLSに対するクエリ効率の高いScoreベースのブラックボックス攻撃QuScoreを提案する。
論文参考訳（メタデータ） (2023-07-13T00:08:52Z)
Query Efficient Cross-Dataset Transferable Black-Box Attack on Action Recognition [99.29804193431823]
ブラックボックスの敵攻撃は、行動認識システムに現実的な脅威をもたらす。本稿では,摂動を発生させることにより,これらの欠点に対処する新たな行動認識攻撃を提案する。提案手法は,最先端のクエリベースおよび転送ベース攻撃と比較して,8%,12%の偽装率を達成する。
論文参考訳（メタデータ） (2022-11-23T17:47:49Z)
Based-CE white-box adversarial attack will not work using super-fitting [10.34121642283309]
ディープニューラルネットワーク(DNN)はその強力な性能のため、様々な分野で広く利用されている。近年の研究では、ディープラーニングモデルは敵の攻撃に弱いことが示されている。本稿では,モデルスーパーフィット状態を用いた新しい防御手法を提案する。
論文参考訳（メタデータ） (2022-05-04T09:23:00Z)
Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
論文参考訳（メタデータ） (2021-05-31T17:01:05Z)
AdvHaze: Adversarial Haze Attack [19.744435173861785]
現実世界の風景に共通する現象であるヘイズに基づく新たな敵対攻撃法を紹介します。本手法は, 大気散乱モデルに基づく画像に, 高い現実性で, 潜在的に逆転するハゼを合成することができる。提案手法は,高い成功率を達成し,ベースラインと異なる分類モデル間での転送性が向上することを示す。
論文参考訳（メタデータ） (2021-04-28T09:52:25Z)
Delving into Data: Effectively Substitute Training for Black-box Attack [84.85798059317963]
本稿では,知識盗むプロセスで使用されるデータの分散設計に焦点をあてた,新しい視点代替トレーニングを提案する。これら2つのモジュールの組み合わせにより、代替モデルとターゲットモデルの一貫性がさらに向上し、敵攻撃の有効性が大幅に向上する。
論文参考訳（メタデータ） (2021-04-26T07:26:29Z)
Adversarial example generation with AdaBelief Optimizer and Crop Invariance [8.404340557720436]
敵攻撃は、安全クリティカルなアプリケーションにおいて堅牢なモデルを評価し、選択するための重要な方法である。本稿では,AdaBelief Iterative Fast Gradient Method (ABI-FGM)とCrop-Invariant attack Method (CIM)を提案する。我々の手法は、最先端の勾配に基づく攻撃法よりも成功率が高い。
論文参考訳（メタデータ） (2021-02-07T06:00:36Z)
A Data Augmentation-based Defense Method Against Adversarial Attacks in Neural Networks [7.943024117353317]
そこで本研究では,実生活制約に適合した完全ホワイトボックス攻撃を効果的に無効化する軽量防衛手法を開発した。我々のモデルは、50発のBPDAによる高度な適応攻撃に耐えることができ、攻撃成功率をほぼゼロに抑えながら、目標モデルが約80%の精度を維持するのに役立ちます。
論文参考訳（メタデータ） (2020-07-30T08:06:53Z)
Perturbing Across the Feature Hierarchy to Improve Standard and Strict Blackbox Attack Transferability [100.91186458516941]
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。
論文参考訳（メタデータ） (2020-04-29T16:00:13Z)

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。