对抗攻击、防御论文介绍

攻击：

快速梯度符号法（FGSM），通过在损失梯度的梯度方向上添加增量来生成一个对抗示例：

Goodfellow, Ian J., Jonathon Shlens, and Christian Szegedy. Explaining and harnessing adversarial examples.

 

基本迭代方法（BIM），它是FGSM的改进版本，与FGSM相比，BIM执行多个步骤，多次迭代：

Kurakin, Alexey, Ian Goodfellow, and Samy Bengio. Adversarial machine learning at scale.

 

PGD 多次迭代循环的梯度下降方法：

Madry, Aleksander, et al. Towards deep learning models resistant to adversarial attacks.

 

CW: CarliniWagner他们设计了有效的优化目标，以找到最小的扰动：

 Carlini, Nicholas, and David Wagner. Towards evaluating the robustness of neural networks.

 

DeepFool: 最少量的修改原始图像，来达到欺骗AI模型的目的：

DeepFool: a simple and accurate method to fool deep neural networks

 

On