[paper]Adversarial Transformation Networks: Learning to Generate Adversarial Examples

ch1762

于 2020-05-06 21:40:26 发布

阅读量969

点赞数 1

分类专栏： AEs 文章标签：神经网络深度学习机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/weixin_43150428/article/details/105958075

版权

本文介绍了一种新的生成对抗样本的方法——Adversarial Transformation Networks（ATN）。ATN通过训练神经网络，从原始图像生成对抗样本，以最小化修改分类器输出并确保分类匹配目标。ATN包括Perturbation ATN（P-ATN）和Adversarial Autoencoding（AAE）两种方式，其中P-ATN保留更多原始像素，而AAE可能会去除高频信息。不同方法生成的对抗样本具有不同的特性，并且多网络训练的ATN具有更好的泛化能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文提出了ATN（Adversarial Transformation Network）方法来生成对抗样本。之前的许多方法都是利用梯度信息进行攻击，本文通过训练一个神经网络，将原图作为输入，输出为对抗样本。在给定原始输入的情况下，对分类器的输出进行最小的修改，同时限制新分类以匹配对抗目标类。
ATN神经网络可以被定义为：
在这里插入图片描述
$\theta$ 是神经网络的参数
$f$ 是目标网络
优化问题为：

$L_{x}$ 是视觉损失
$L_{y}$

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。