通过特征混合和元学习探索频率以提高对抗迁移性
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本研究分析了对抗扰动在频域中的特性，提出了一种新算法，通过不同频率组合显著提高攻击效率，成功率达到99%。同时引入了归一化扰动可见性指数，优化了对抗样本的生成和迁移性能，增强了深度神经网络的鲁棒性。
❓
Q&A
这项研究提出了什么新的对抗攻击算法？
研究提出了一种基于不同频率带组合的黑盒对抗攻击算法，平均攻击成功率达到99%。
归一化扰动可见性指数的作用是什么？
归一化扰动可见性指数用于评估连续和离散扰动的L2范数的局限性。
Clean Feature Mixup (CFM)方法的主要优势是什么？
CFM方法通过扰动竞争提高对抗样本在不同模型间的迁移性能，实验结果优于现有基线。
频率偏好控制模块如何增强模型的鲁棒性？
该模块自适应地重新配置中间特征表示的低频和高频成分，从而提高模型的鲁棒性。
WaveTransform攻击方法的特点是什么？
WaveTransform能够创建低频和高频子带对应的对抗性噪音，具有高强度和转移能力。
Deep Frequency Filtering（DFF）技术的主要功能是什么？
DFF技术通过调节频率组件提高跨域转移的泛化能力，增强可转移的频率成分。
🏷️
