基于基因重组知识蒸馏策略的对抗攻击方法

摘要

针对传统集成攻击方法存在因计算资源(包括训练数据和训练时间)需求高而在应用中受限制的问题，提出了一种基于基因重组的低计算复杂度集成攻击方法，通过生成更多样的集成模型来增强现有对抗攻击的迁移性。首先，将基因重组思想引入知识蒸馏领域，在此过程中，学生模型被视为独立个体，其参数被看作该个体的基因，每一轮的蒸馏学习视为基因的一次进化；其次，通过在进化过程中随机交换学生模型的参数，实现了人为的基因重组，从而获得更优的后代基因，通过设置不同的蒸馏温度，能够获得多个多样化的学生模型；再次，将这些多样化的学生模型与源教师模型进行集成；最后，使用集成模型生成迁移性更强的对抗样本。在ImageNet验证集子集上的实验结果表明：相较于其他算法，所提方法显著提高了对抗样本的迁移性。以ResNet152作为源模型并采用PGD攻击为例，所提方法在11种黑盒模型上的迁移攻击成功率表现最优，比基线PGD方法平均提高了34.52百分点，比PGI方法平均提高了5.30百分点，比DGM方法平均提高了2.12百分点。

关键词

集成攻击 / 对抗样本 / 迁移性 / 基因重组 / 知识蒸馏