2 基于梯度的攻击——PGD

最新推荐文章于 2025-03-30 22:40:16 发布

weixin_30379531

最新推荐文章于 2025-03-30 22:40:16 发布

阅读量1w

点赞数 3

文章标签： python 人工智能

原文链接：http://www.cnblogs.com/shona/p/11274393.html

版权

PGD（Projected Gradient Descent）是一种迭代攻击方法，作为FGSM的增强版，适用于非线性模型。通过多次小步迭代，PGD能更有效地找到对抗样本。在代码实现中，关键参数包括最大扰动、每步大小和迭代次数。作为最强的一阶攻击，PGD是评估防御方法性能的重要标准。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

PGD攻击原论文地址——https://arxiv.org/pdf/1706.06083.pdf

1.PGD攻击的原理

　　PGD（Project Gradient Descent)攻击是一种迭代攻击，可以看作是FGSM的翻版——K-FGSM (K表示迭代的次数），大概的思路就是，FGSM是仅仅做一次迭代，走一大步，而PGD是做多次迭代，每次走一小步，每次迭代都会将扰动clip到规定范围内。

一般来说，PGD的攻击效果比FGSM要好。首先，如果目标模型是一个线性模型，那么用FGSM就可以了，因为此时loss对输入的导数是固定的，换言之，使得loss下降的方向是明确的，即使你多次迭代，扰动的方向也不会改变。而对于一个非线性模型，仅仅做一次迭代，方向是不一定完全正确的，这也是为什么FGSM的效果一般的原因了。