结构不变性转换：提高对抗迁移性能
给定深度神经网络（DNN）对抗性示例的严重性脆弱性，迫切需要一种有效的对抗性攻击来识别 DNN 在安全敏感应用中的缺陷。本文提出了一种基于输入变换的攻击方法，称为 Structure Invariant Attack（SIA），通过对每个图像块应用随机图像变换来产生一组多样化的图像，从而改善了传递性。其在 CNN 和 Transformer 模型上展示了较现有方法更好的传递性。
该文介绍了一种新的攻击方法，称为块洗牌和旋转（BSR），通过随机洗牌和旋转输入图像块来构造新的图像用于梯度计算。在 ImageNet 数据集上实验表明，BSR 的迁移性能优于现有方法，与当前输入变换方法相结合，能进一步提高迁移性能，优于最先进的方法。
