基于自适应稀疏L0正则化评估模型鲁棒性
原文中文,约300字,阅读约需1分钟。发表于: 。该研究解决了在对抗攻击中对深度神经网络(DNN)模型的鲁棒性评估的问题,尤其是利用L0范数生成对抗样本的挑战。提出了一种新颖、可扩展且有效的方法,能够通过最少特征调整生成对抗样本,从而更好地评估DNN对这些扰动的防御能力。研究表明,这种方法能够更精准地揭示DNN的潜在弱点,提升鲁棒性评估的准确性。
该研究提出了一种名为sigma-zero的新的l0范数攻击方法,通过对MNIST、CIFAR10和ImageNet数据集的评估,发现了最小的l0范数对抗性示例,并在成功率、扰动大小和可扩展性方面优于其他稀疏攻击。