生成性扰乱网络用于对脑-计算机接口的普遍对抗性攻击

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度神经网络 (DNN) 是有效的基于脑电图 (EEG) 的脑电脑接口 (BCI) 分类.
• 敌对的例子,微妙的输入扰动,甚至可以欺骗BCI系统中的高性能DNN模型.
• 这些干扰往往是人类无法察觉的,构成重大安全风险.

研究的目的:

• 提出一种高效的生成模型,即生成扰乱网络 (GPN),用于创建通用对抗示例.
• 为了实现对BCI系统的非有针对性和有针对性的攻击的对抗性示例的生成.
• 证明模型在产生强大的和可转移的对抗性扰动方面的效率和有效性.

主要方法:

• 开发了一个生成性扰乱网络 (GPN),能够生成通用对抗性示例.
• 扩展了GPN以条件或同时为各种目标和受害者模型产生干扰.
• 评估了GPN产生的干扰与以前的对抗性攻击方法的性能.

主要成果:

• 与先前的技术相比,GPN产生的扰动在制造信号不可知扰动方面表现出更高的性能.
• 扩展的GPN显著减少了信号特定方法的生成时间,同时保持了可比性能.
• 拟议的方法在不同的分类网络中显示出扰动的优越可转移性,这表明了高度的普遍性.

结论:

• 生成性扰乱网络 (GPN) 提供了一种高效有效的方法,用于为BCI系统生成通用对抗性示例.
• 通过创建强大的干扰,可以欺骗DNN模型,GPN提高了BCI系统的安全性.
• 该模型的效率和可转移性使其成为BCI安全研究和开发的宝贵工具.