本文探讨了5G无线网络中机器学习回归模型对对抗攻击的脆弱性，特别是FGSM方法的影响。研究显示，该攻击导致均方误差提高33%，R2指标平均下降10%。使用LightGBM分类器可实现98%的准确率识别对抗异常数据。

这篇学术论文深入探讨了针对图像分类任务中使用的深度神经网络（DNN）的对抗性攻击，并调查了旨在增强机器学习模型鲁棒性的防御机制。研究聚焦于理解两种主要攻击方法的影响：快速梯度符号法（FGSM）和 Carlini-Wagner（CW）方法。该文献提出防御蒸馏作为一种抵御 FGSM 和 CW 攻击的防御机制，并使用 CIFAR-10 数据集对其进行评估。虽然该提出的防御技术在抵御 FGSM...

研究人员提出了一种新框架对抗训练纯化（AToP），通过随机转换和对抗损失优化深度神经网络的鲁棒性。实验结果表明，该方法在CIFAR-10、CIFAR-100和ImageNette数据集上显著提升了对抗攻击的防御能力和泛化能力。

该研究使用快速对抗训练技术（FAT）提高模型鲁棒性和减少训练成本。作者研究了10种方法，并提出了一种基于FGSM的快速对抗训练方法，同时使用Lipschitz正则化和自动权重平均化。实验结果显示该方法在鲁棒性方面表现优越。

本文介绍了基于卷积神经网络的图像分类模型对抗攻击的概念，探讨了FGSM对模型性能的负面影响，并通过模拟攻击和准确性计算展示了攻击的有害影响。最后，提出了防御蒸馏方法来抵御FGSM攻击，并给出了实验结果验证方案。