通过邻域梯度信息提高对抗转移性
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。
延伸解读
对抗样本传递性的关键影响因素
文章指出，对抗样本的传递性受两类因素影响：模型特定因素（如网络结构、测试精度）和损失函数的局部光滑性。这些因素共同决定了对抗样本在不同模型间的迁移能力。理解这些因素有助于设计更有效的攻击策略，也为防御提供了思路。
提升传递性的主要技术路线
文章综述了多种提升对抗样本传递性的方法，包括方差降低攻击、多样化输入模式、翻译不变攻击、方差调整、梯度修正、TAIG算法、平稳局部区域与梯度规范化结合、以及基于可学习掩模和差分进化的预处理方法。这些方法从不同角度优化梯度或输入，显著提高了黑盒攻击的成功率。
实验效果与竞赛表现
在ImageNet数据集上，这些方法取得了显著效果：方差调整平均提高成功率85.1%，梯度修正达到82.07%的平均转移成功率，TAIG优于现有最先进方法。此外，在NIPS 2017对抗比赛中获得73.0%的平均成功率，在CVPR 2021 ImageNet无限制对抗攻击比赛中排名第二（1558支队伍）。这些结果验证了所提方法的有效性。
实际应用与未来方向
文章提到，轻量级计算依然能够高度传递的样本攻击方法（NCS）仅需50%的计算成本，并可与其他方法无缝集成。这表明在资源受限场景下，高效传递攻击是可行的。未来研究可进一步探索如何平衡攻击效果与计算开销，以及如何防御此类攻击。
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。
