使用进化多目标优化的对抗样本生成
Adversarial Example Generation using Evolutionary Multi-objective Optimization
AI总结：
本文提出基于进化多目标优化的黑盒对抗样本生成方法，利用种群搜索生成介于全像素修改与少量像素修改之间的多样对抗样本，并能生成鲁棒样本及高分辨率图像对抗样本。
摘要：
本文提出了一种基于进化多目标优化（EMO）的对抗样本（AE）设计方法，该方法在黑盒设置下运行。以往的基于梯度的方法通过改变目标图像的所有像素来生成对抗样本，而以往的基于进化计算（EC）的方法则通过改变少量像素来生成对抗样本。得益于EMO基于种群搜索的特性，所提出的方法能够生成多种类型的对抗样本，其中包括位于前两种方法生成的对抗样本之间的样本，这有助于了解目标模型的特征或发现未知的攻击模式。实验结果表明了所提出方法的潜力，例如，它能够生成鲁棒的对抗样本，并且借助基于DCT的扰动模式生成，能够为高分辨率图像生成对抗样本。
英文摘要：
This paper proposes Evolutionary Multi-objective Optimization (EMO)-based Adversarial Example (AE) design method that performs under black-box setting. Previous gradient-based methods produce AEs by changing all pixels of a target image, while previous EC-based method changes small number of pixels to produce AEs. Thanks to EMO's property of population based-search, the proposed method produces various types of AEs involving ones locating between AEs generated by the previous two approaches, which helps to know the characteristics of a target model or to know unknown attack patterns. Experimental results showed the potential of the proposed method, e.g., it can generate robust AEs and, with the aid of DCT-based perturbation pattern generation, AEs for high resolution images.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
