对成功的对抗样本的鲁棒性界限：理论与实践
原文中文，约300字，阅读约需1分钟。发表于：。该研究选择了对抗样本（AE）作为机器学习的一种攻击方法，通过对数据添加不可感知的扰动来诱导错分。研究通过使用高斯过程（GP）分类，探究了成功 AE 的概率上限，并证明了该上限取决于 AE 的扰动范数、GP 中使用的核函数以及训练数据集中不同标签最近对之间的距离。令人惊讶的是，该上限并不依赖于样本数据集的分布情况。通过在 ImageNet...
该研究使用对抗样本攻击机器学习，通过添加不可感知的扰动来诱导错分。研究发现成功对抗样本的概率上限取决于扰动范数、核函数和标签之间的距离。实验证明了理论结果，并展示了改变核函数参数会影响成功对抗样本的概率上限。
