Dans cet article, nous proposons PuriDefense, un mécanisme de défense efficace pour contrer la menace des attaques par requêtes de type boîte noire sur les systèmes d'apprentissage automatique en tant que service (MLaaS). PuriDefense effectue un raffinement aléatoire par patch à l'aide d'un ensemble de modèles de raffinement léger et reconstruit la variété d'images naturelles en exploitant des fonctions implicites locales à faible coût d'inférence. L'analyse théorique montre que la méthode proposée introduit un caractère aléatoire dans le raffinement, ce qui ralentit la vitesse de convergence des attaques par requêtes. Des expériences approfondies sur CIFAR-10 et ImageNet vérifient l'efficacité du mécanisme de défense proposé, basé sur le raffinement, et montrent une amélioration significative de la robustesse face aux attaques par requêtes. Ce mécanisme résout le problème suivant : les mécanismes de défense existants, tels que l'apprentissage antagoniste, le masquage de gradient et la transformation d'entrée, entraînent des coûts de calcul importants ou dégradent la précision des tests sur des entrées non antagonistes.
