任何目标均可成为攻击：通过广义潜在感染生成对抗性样本
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文提出了一种通用框架，通过学习图像与目标标签的关系生成对抗性扰动。研究展示了多种生成对抗网络（GAN）方法，如AdvGAN和MalGAN，提升了对抗样本的生成效率和攻击成功率，并提出了Defense-GAN等防御策略，有效抵御对抗性攻击。
❓
Q&A
什么是广义潜在感染生成对抗性样本的框架？
该框架通过学习输入图像与目标标签的关系生成对抗性扰动，旨在提高攻击成功率和生成效率。
AdvGAN的主要特点是什么？
AdvGAN能够高效生成高感知质量的对抗样本，在黑盒攻击中取得92.76%的成功率。
Defense-GAN是如何抵御对抗性攻击的？
Defense-GAN使用生成模型抵御对抗性攻击，适用于任何分类模型，无需修改结构或训练过程。
MalGAN与传统对抗样本生成算法相比有什么优势？
MalGAN能够将检测率降至几乎为零，使基于重新训练的防御方法难以奏效。
Latent-HSJA方法的应用场景是什么？
Latent-HSJA方法适用于黑盒设置的分类模型评估，能够生成无约束对抗样本。
无限制敌对样本的威胁模型是什么？
无限制敌对样本通过条件生成模型生成可能被误分类的图像，证明其属于特定类别。
🏷️
