对于图像和视频转换器的可转移对抗性攻击
概括
这项研究引入了针对视觉转换器 (ViT) 的新攻击,证明了有效的对抗性示例可转移性. 付费不注意 (PNA) 和补丁/CubeOut攻击增强了ViT的安全评估.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习安全 机器学习安全
背景情况:
- 敌对的例子对卷积神经网络 (CNN) 构成安全威胁,因为它们的可转移性.
- 视觉变压器 (ViT) 显示出卓越的性能,但对对抗性攻击的可转移性没有太多的探索.
研究的目的:
- 调查不同ViT的对抗性示例在不同ViT的可转移性.
- 专门为ViT开发新的攻击策略,以评估其安全漏洞.
主要方法:
- 提出了无注意力 (PNA) 攻击,该攻击忽略了注意力梯度以改善反向传播线性.
- 引入了PatchOut/CubeOut攻击,优化了补丁/立方体子集的扰动,以防止过拟合.
- 最大化了L2扰动规范,以确保从良性示例显著偏离.
主要成果:
- 拟议的联合攻击策略显著提高了对抗性示例在ViT之间可转移性.
- 这些攻击在ImageNet和Kinetics-400数据集的非目标和目标场景中都有效.
- 这些新型攻击补充了现有的可转移攻击方法,提高了它们的有效性.
结论:
- 开发的方法提供了对对抗性攻击的ViT安全性的全面评估.
- 这些发现凸显了对ViT在现实世界应用中的强大防御机制的需求.
