Fugu-MT 論文翻訳(概要): Boosting the Transferability of Adversarial Attacks with Global Momentum Initialization

論文の概要: Boosting the Transferability of Adversarial Attacks with Global Momentum Initialization

arxiv url: http://arxiv.org/abs/2211.11236v3
Date: Tue, 16 Jul 2024 08:28:05 GMT
ステータス: 処理完了
システム内更新日: 2024-07-18 00:30:09.215606
Title: Boosting the Transferability of Adversarial Attacks with Global Momentum Initialization
Title（参考訳）: グローバルモーメント初期化による敵攻撃の伝達性向上
Authors: Jiafeng Wang, Zhaoyu Chen, Kaixun Jiang, Dingkang Yang, Lingyi Hong, Pinxue Guo, Haijing Guo, Wenqiang Zhang,
Abstract要約: 敵対的な例は、良心的な入力に人間の知覚能力を加えることで作られる。敵の例では、モデル間での転送可能性を示し、実用的なブラックボックス攻撃を可能にしている。我々は,Global Momentum Initialization (GI)を導入し,勾配除去を緩和するためのグローバルモメンタム知識を提供する。 GIは既存の転送手法とシームレスに統合され、平均6.4%の転送攻撃の成功率を大幅に向上させる。
参考スコア（独自算出の注目度）: 23.13302900115702
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Neural Networks (DNNs) are vulnerable to adversarial examples, which are crafted by adding human-imperceptible perturbations to the benign inputs. Simultaneously, adversarial examples exhibit transferability across models, enabling practical black-box attacks. However, existing methods are still incapable of achieving the desired transfer attack performance. In this work, focusing on gradient optimization and consistency, we analyse the gradient elimination phenomenon as well as the local momentum optimum dilemma. To tackle these challenges, we introduce Global Momentum Initialization (GI), providing global momentum knowledge to mitigate gradient elimination. Specifically, we perform gradient pre-convergence before the attack and a global search during this stage. GI seamlessly integrates with existing transfer methods, significantly improving the success rate of transfer attacks by an average of 6.4% under various advanced defense mechanisms compared to the state-of-the-art method. Ultimately, GI demonstrates strong transferability in both image and video attack domains. Particularly, when attacking advanced defense methods in the image domain, it achieves an average attack success rate of 95.4%. The code is available at $\href{https://github.com/Omenzychen/Global-Momentum-Initialization}{https://github.com/Omenzychen/Global-Momentum-Initialization}$.
Abstract（参考訳）: ディープニューラルネットワーク(Deep Neural Networks, DNN)は、敵対的な例に対して脆弱である。同時に、敵の例はモデル間での転送可能性を示し、実用的なブラックボックス攻撃を可能にした。しかし、既存の手法では所望の転送攻撃性能を達成できない。本研究では、勾配最適化と整合性に着目し、勾配除去現象と局所運動量最適ジレンマを解析する。これらの課題に対処するために,Global Momentum Initialization (GI)を導入し,勾配除去を緩和するためのグローバルな運動量知識を提供する。具体的には、攻撃前に勾配前収束を行い、この段階でグローバル検索を行う。 GIは既存の転送方式とシームレスに統合され、最先端の防御機構により平均6.4%の転送攻撃の成功率を大幅に向上させる。最終的に、GIは画像とビデオの両方の攻撃領域で強力な転送可能性を示す。特に、画像領域における高度な防御方法を攻撃する場合、平均的な攻撃成功率は95.4%に達する。コードは$\href{https://github.com/Omenzychen/Global-Momentum-Initialization}{https://github.com/Omenzychen/Global-Momentum-Initialization}$で入手できる。

関連論文リスト

Improving Adversarial Transferability with Neighbourhood Gradient Information [20.55829486744819]
ディープニューラルネットワーク(DNN)は、敵の例に影響を受けやすいため、パフォーマンスが著しく低下する。本研究は、この性能ギャップを狭めるために、敵の例の転送可能性を高めることに焦点を当てる。事例追跡と多重マスク戦略を取り入れたNGI-Attackを提案する。
論文参考訳（メタデータ） (2024-08-11T10:46:49Z)
Advancing Generalized Transfer Attack with Initialization Derived Bilevel Optimization and Dynamic Sequence Truncation [49.480978190805125]
転送攻撃はブラックボックスアプリケーションに大きな関心を惹きつける。既存の作業は、本質的に単一のレベルの目的 w.r.t. シュロゲートモデルを直接最適化する。本稿では,上位レベル(UL)と下位レベル(LL)のサロゲート攻撃とのネスト関係を明示的に再構築する2レベル最適化手法を提案する。
論文参考訳（メタデータ） (2024-06-04T07:45:27Z)
Enhancing Adversarial Attacks: The Similar Target Method [6.293148047652131]
敵対的な例は、ディープニューラルネットワークのアプリケーションに脅威をもたらす。ディープニューラルネットワークは敵の例に対して脆弱であり、モデルのアプリケーションに脅威を与え、セキュリティ上の懸念を提起する。我々はSimisal Target(ST)という類似の攻撃手法を提案する。
論文参考訳（メタデータ） (2023-08-21T14:16:36Z)
Enhancing the Self-Universality for Transferable Targeted Attacks [88.6081640779354]
本手法は,高次対角的摂動が標的攻撃に対してより伝達しやすい傾向にあることを示す。異なる画像上の摂動を最適化する代わりに、異なる領域を最適化して自己ユニバーシティを実現することで、余分なデータを排除することができる。特徴的類似性欠如により,本手法は,良性画像よりも対向性摂動の特徴が支配的となる。
論文参考訳（メタデータ） (2022-09-08T11:21:26Z)
Improving Adversarial Transferability with Spatial Momentum [10.460296317901662]
ディープニューラルネットワーク(DNN)は、敵の例に対して脆弱である。モメンタムベースアタック(MI-FGSM)は、転送性を改善するための効果的な方法の一つである。本研究では,空間的モメンタム反復FGSM攻撃法を提案する。
論文参考訳（メタデータ） (2022-03-25T07:03:17Z)
Learning to Learn Transferable Attack [77.67399621530052]
転送逆行攻撃は非自明なブラックボックス逆行攻撃であり、サロゲートモデル上で敵の摂動を発生させ、そのような摂動を被害者モデルに適用することを目的としている。本研究では,データとモデル拡張の両方から学習することで,敵の摂動をより一般化する学習可能な攻撃学習法(LLTA)を提案する。提案手法の有効性を実証し, 現状の手法と比較して, 12.85%のトランスファー攻撃の成功率で検証した。
論文参考訳（メタデータ） (2021-12-10T07:24:21Z)
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)
Enhancing the Transferability of Adversarial Attacks through Variance Tuning [6.5328074334512]
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。
論文参考訳（メタデータ） (2021-03-29T12:41:55Z)
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)
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)

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。