다중 특징 주의를 통한 적대적 공격의 전이 가능성 향상

적대적 예시는 그들의 전이 가능성으로 인해 심층 신경망에 심각한 위협을 제기하고 있습니다. 기존의 전이 기반 공격은 고유한 특징을 파괴하여 적대적 예시의 전이 가능성을 개선하는 경향이 있습니다. 그러나 이전 작업들은 일반적으로 단일 차원 또는 가산 중요도 추정치를 사용하여 특징의 부정확한 표현을 제공합니다. 본 연구에서는 여러 계층의 특징 표현을 융합하여 범주 관련 특징을 방해하고 적대적 예시의 전이 가능성을 개선하는 다중 특징 주의 공격(MFAA)을 제안합니다. 첫째, MFAA는 여러 스케일에서 특징의 중요성을 반영하는 안내 맵을 얻기 위해 계층 집계 기울기(LAG)를 도입합니다. 둘째, 객체 특정 특징을 보존하고 안내 맵을 기반으로 모델 특정 특징을 상쇄하는 집합 주의(EA)를 생성합니다. 셋째, EA는 적대적 예시의 높은 전이 가능성을 달성하기 위해 반복적으로 방해받습니다. 표준 ImageNet 데이터셋에 대한 경험적 평가는 MFAA에 의해 제작된 적대적 예시가 다양한 네트워크를 효과적으로 공격할 수 있음을 보여줍니다. 최신 전이 가능 공격과 비교할 때, 우리의 공격은 방어가 있는 블랙박스 모델의 평균 공격 성공률을 단일 모델 공격에서 88.5%에서 94.1%로, 집합 공격에서 86.6%에서 95.1%로 개선합니다. 우리의 코드는 GitHub에서 사용 가능합니다: https://github.com/KWPCCC/MFAA.