Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

PAR-AdvGAN: Cải thiện khả năng tấn công đối kháng bằng AdvGAN tự động hồi quy tiến bộ

Created by
  • Haebom

Tác giả

Jiayu Zhang, Zhiyu Zhu, Xinyi Wang, Silin Liao, Zhibo Jin, Flora D. Salim và Huaming Chen.

Phác thảo

Bài báo này trình bày một phương pháp mới, được gọi là Progressive Autoregressive AdvGAN (PAR-AdvGAN), để giải quyết vấn đề ví dụ đối kháng, một lỗ hổng của mạng nơ-ron sâu. Để khắc phục hạn chế của việc tạo mẫu lặp đơn trong các phương pháp dựa trên GAN hiện có, PAR-AdvGAN giới thiệu một cơ chế lặp tự hồi quy để tạo ra các ví dụ đối kháng với khả năng tấn công được tăng cường. Thông qua các thử nghiệm mở rộng, PAR-AdvGAN chứng minh hiệu suất vượt trội trước nhiều cuộc tấn công đối kháng hộp đen hiện đại và các AdvGAN hiện có. Cụ thể, nó đạt tốc độ khung hình tối đa là 335,5 khung hình/giây trên mô hình Inception-v3, nhanh hơn đáng kể so với các thuật toán tấn công có thể chuyển giao dựa trên gradient. Mã nguồn có sẵn trên GitHub.

Takeaways, Limitations

•
Takeaways:
◦
Một phương pháp mới (PAR-AdvGAN) được trình bày để khắc phục những hạn chế của các phương pháp tạo ví dụ đối nghịch dựa trên GAN hiện có.
◦
Khả năng tạo ra các ví dụ đối kháng với khả năng tấn công và tốc độ được cải thiện.
◦
Hiệu suất vượt trội chống lại nhiều phương pháp tiên tiến (bao gồm cả các cuộc tấn công hộp đen)
◦
ĐạT được tốc độ tạo nhanh (lên đến 335,5 khung hình mỗi giây)
◦
Phát hành mã nguồn mở
•
_____T148086____:
◦
Bài báo không đề cập cụ thể đến Limitations. Cần phân tích sâu hơn để giải quyết các vấn đề tiềm ẩn trong ứng dụng thực tế (ví dụ: quá khớp với các mô hình hoặc tập dữ liệu cụ thể, tăng độ phức tạp tính toán, v.v.).
👍
Made with Slashpage