自适应频率干扰：生成器驱动的可迁移对抗样本攻击
Abstract
目的对抗样本作为人工智能安全领域的基础性问题，其生成方法的研究具有重要意义。当前的全局扰动优化策略生成的对抗样本存在源模型过拟合问题，这显著降低了跨模型迁移攻击的效果。为了解决这一问题，一种有效的思路是将图像转换到频率域，提取对决策相关的频率信息后进行针对性干扰以生成对抗样本。但现有频率域攻击方法过度依赖低频信息，导致对抗攻击的可迁移性受限。方法为了突破传统攻击方法在迁移性与生成效率方面的双重局限，本文提出一种基于生成器架构的频率域对抗样本生成方法。该方法能够在频率域中自适应地保留对分类决策有益的高频和低频信息，并通过干扰这些信息生成对抗样本。通过利用生成器架构，本文方法无需真实标签，一旦生成器训练完成，即可直接将输入图像送入生成器生成对抗样本，从而显著提高生成效率，同时保持了较高的迁移攻击性能。结果在ImageNet上进行的大量实验证明，本方法在卷积神经网络（convolutional neural network， CNN）和视觉变换器（vision Transformer， ViT）上均优于现有方法。此外，本文还利用了动物数据集以及微软通用物体检测数据集（Microsoft common objects in context， MS-COCO）分别在跨数据集图像分类任务以及目标检测任务上验证了攻击方法的有效性。结论本文提出的基于生成器架构的频率域对抗样本生成方法，通过自适应选择并干扰对分类决策有益的频率成分，显著提升了对抗样本的迁移攻击能力，在生成效率和攻击性能上均优于对比方法，为对抗样本生成领域提供了新的解决方案。
Fields of Study & Subjects
Adversarial Robustness in Machine Learning
Digital Media Forensic Detection
Advanced Neural Network Applications
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 1
- Pages
- 154–166
- Publication date
- 1 January 2026
- Language
- EN