新的“Season”框架提高了AI模型间对抗性攻击的迁移性

研究人员开发了一个名为Season的新框架，以提高对抗性攻击在图像识别模型上的有效性。该框架专门解决了迁移性挑战，即在一个模型架构上成功的攻击由于特征提取方法的不同（CNN关注局部纹理，Vision Transformers关注全局形状）而常常在另一个模型上失败。Season通过将梯度更新分解为低频（结构）和高频（纹理）分量来细化梯度更新，然后战略性地重新分配能量并确保正交性以最小化干扰。当作为即插即用包装器应用于现有攻击时，Season在各种CNN、ViT和MLP架构上的迁移成功率平均提高了6.6个百分点。 AI

影响 增强了对模型漏洞以及针对不同AI架构的对抗性攻击的潜在防御的理解。

排序理由 该集群包含一篇详细介绍新的对抗性攻击技术框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• CNN
• ImageNet
• multilayer perceptron
• Vision Transformers

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →