知识卡片
白盒梯度优势
白盒攻击掌握模型的架构、参数乃至损失对输入的梯度,因而能直接沿使损失增大的方向构造扰动。典型做法把攻击写成带范数约束的优化:FGSM假设损失局部近似线性,用一步固定步长的梯度符号扰动;PGD则随机起点、多步迭代投影,通常更强。梯度越容易被获取和利用,攻击成本越低、越系统,因此评估鲁棒性时应优先采用这类强白盒基线,避免用弱攻击低估风险。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 模型安全:对抗攻击 6.1 白盒攻击 · 查看原书依据
FGSM假设损失函数L在样本x周围是线性的,即可以被x处的一阶泰勒展开高度近似。基于此,FGSM利用输入梯度(分类损失相对输入的梯度)的符号信息(即梯度方向)进行一步固定步长的梯度上升来完成攻击:
参考来源
- 位置:《人工智能数据与模型安全 (姜育刚马兴军吴祖煊)》第6章《模型安全:对抗攻击》(源文件:extracted/人工智能数据与模型安全 (姜育刚马兴军吴祖煊)/_epub-src/EPUB/xhtml/chapter11_0002.xhtml)
- 结论依据:白盒攻击掌握模型的架构、参数乃至损失对输入的梯度,因而能直接沿使损失增大的方向构造扰动。典型做法把攻击写成带范数约束的优,原文从「6.1 白盒攻击」处给出对应机制与依据,支撑本卡结论。
- 原始内容:FGSM假设损失函数L在样本x周围是线性的,即可以被x处的一阶泰勒展开高度近似。基于此,FGSM利用输入梯度(分类损失相对输入的梯度)的符号信息(即梯度方向)进行一步固定步长的梯度上升来完成攻击: