文章探讨了针对黑盒模型的两种决策基础攻击方法，RayS利用二分查找生成对抗样本，而HopSkipJumpAttack和TangentAttack则采用几何方法高效寻找决策边界。这些方法旨在降低对模型查询的次数，提高攻击效率。
基于决策的攻击，如何减少对黑盒模型的查询次数？
目标攻击：从类别A攻击成类别B
非目标攻击：从类别A攻击成其他非A的类别
第一种攻击方法：RayS: A Ray Searching Method for Hard-label Adversarial Attack ，简单来说就是将图像噪声随机旋转一个角度，二分查找位置。
第二种攻击方法：随机化初始一个位置，从原始样本沿着分类决策边界寻找对抗样本。
HopSkipJumpAttack（HopSkipJumpAttack: A Query-Efficient Decision-Based Attack）：分类和梯度决策面是垂直的关系，通过几何方法寻找决策边界的对抗样本
TangentAttack（GitHub - machanic/TangentAttack: The official implementation of NeurIPS 2021 paper: Finding Optimal Tangent Points for Reducing Distortions of Hard-label Attacks）：转载自【Talk预告 | 几何的魅力: 黑盒攻击新策略】https://www.bilibili.com/video/BV1fd4y177tX?vd_source=e260233b721e72ff23328d5f4188b304
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
