通过邻域梯度信息提高对抗转移性
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本文研究了影响对抗样本传递性的因素，提出了方差降低攻击等新策略以增强传递性。通过多种实验验证了这些技术在不同模型和数据集上的有效性，显著提高了对抗攻击的成功率。
❓
Q&A
什么是方差降低攻击策略？
方差降低攻击策略是一种通过利用方差降低梯度生成对抗样本的方法，旨在增强对抗样本的传递性。
如何提高对抗样本的传递性？
可以通过多样化输入模式、翻译不变攻击方法和方差调整等策略来提高对抗样本的传递性。
研究表明哪些因素影响对抗样本的可传递性？
影响对抗样本可传递性的因素包括网络结构、测试精度和损失函数的局部光滑性，以及梯度之间的夹角。
TAIG算法的主要特点是什么？
TAIG算法通过优化标准客观函数、利用注意力图和平滑决策表面，寻找高度可转移的对抗样本，实验结果优于现有方法。
在ImageNet数据集上，方差调整方法的成功率提高了多少？
方差调整方法在ImageNet数据集上的成功率平均提高了85.1%。
如何通过梯度修正提高对抗性转移性？
通过对多个转换引入的无用梯度进行修正，可以提高对抗性转移性，在ImageNet数据集上实现82.07%的平均转移成功率。
🏷️
