ترجمه فارسی مقاله افزایش تنوع خروجی، حملات تخاصمی مبتنی بر گرادیان مزدوج را بهبود می‌بخشد

چکیده

Deep neural networks are vulnerable to adversarial examples, and adversarial attacks that generate adversarial examples have been studied in this context. Existing studies imply that increasing the diversity of model outputs contributes to improving the attack performance. This study focuses on the Auto Conjugate Gradient (ACG) attack, which is inspired by the conjugate gradient method and has a high diversification performance. We hypothesized that increasing the distance between two consecutive search points would enhance the output diversity. To test our hypothesis, we propose Rescaling-ACG (ReACG), which automatically modifies the two components that significantly affect the distance between two consecutive search points, including the search direction and step size. ReACG showed higher attack performance than that of ACG, and is particularly effective for ImageNet models with several classification classes. Experimental results show that the distance between two consecutive search points enhances the output diversity and may help develop new potent attacks. The code is available at url{https://github.com/yamamura-k/ReACG}

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی عمیق در برابر نمونه های مخالف آسیب پذیر هستند و حملات مخالف که نمونه های متضاد را ایجاد می کنند در این زمینه مورد بررسی قرار گرفته اند.مطالعات موجود حاکی از آن است که افزایش تنوع خروجی های مدل به بهبود عملکرد حمله کمک می کند.این مطالعه بر حمله شیب کونژوگه خودکار (ACG) متمرکز شده است ، که از روش شیب مزدوج الهام گرفته شده و عملکرد تنوع بالایی دارد.ما فرض کردیم که افزایش فاصله بین دو نقطه جستجوی متوالی باعث افزایش تنوع خروجی می شود.برای آزمایش فرضیه ما ، ما Rescaling-ACG (reacg) را پیشنهاد می کنیم ، که به طور خودکار دو مؤلفه را اصلاح می کند که به طور قابل توجهی بر فاصله بین دو نقطه جستجوی متوالی ، از جمله جهت جستجو و اندازه مرحله تأثیر می گذارد.Reacg عملکرد حمله بالاتری نسبت به ACG نشان داد ، و به ویژه برای مدل های Imagenet با چندین کلاس طبقه بندی مؤثر است.نتایج تجربی نشان می دهد که فاصله بین دو نقطه جستجوی متوالی باعث افزایش تنوع خروجی می شود و ممکن است به ایجاد حملات قدرتمند جدید کمک کند.کد در url {https://github.com/yamamura-k/reacg} در دسترس است