ترجمه فارسی مقاله افزایش حملات مخالف از طریق حمله مخالف تطبیقی ​​پارامتر

چکیده

In recent times, the swift evolution of adversarial attacks has captured widespread attention, particularly concerning their transferability and other performance attributes. These techniques are primarily executed at the sample level, frequently overlooking the intrinsic parameters of models. Such neglect suggests that the perturbations introduced in adversarial samples might have the potential for further reduction. Given the essence of adversarial attacks is to impair model integrity with minimal noise on original samples, exploring avenues to maximize the utility of such perturbations is imperative. Against this backdrop, we have delved into the complexities of adversarial attack algorithms, dissecting the adversarial process into two critical phases: the Directional Supervision Process (DSP) and the Directional Optimization Process (DOP). While DSP determines the direction of updates based on the current samples and model parameters, it has been observed that existing model parameters may not always be conducive to adversarial attacks. The impact of models on adversarial efficacy is often overlooked in current research, leading to the neglect of DSP. We propose that under certain conditions, fine-tuning model parameters can significantly enhance the quality of DSP. For the first time, we propose that under certain conditions, fine-tuning model parameters can significantly improve the quality of the DSP. We provide, for the first time, rigorous mathematical definitions and proofs for these conditions, and introduce multiple methods for fine-tuning model parameters within DSP. Our extensive experiments substantiate the effectiveness of the proposed P3A method. Our code is accessible at: https://anonymous.4open.science/r/P3A-A12C/

چکیده به فارسی (ترجمه ماشینی)

در زمان های اخیر ، تکامل سریع حملات مخالف ، توجه گسترده ای را به خود جلب کرده است ، به ویژه در مورد قابلیت انتقال آنها و سایر ویژگی های عملکرد.این تکنیک ها در درجه اول در سطح نمونه اجرا می شوند ، که اغلب از پارامترهای ذاتی مدل ها غافل می شوند.چنین غفلت نشان می دهد که آشفتگی های معرفی شده در نمونه های مخالف ممکن است پتانسیل کاهش بیشتر را داشته باشد.با توجه به ذات حملات مخالف ، اختلال در یکپارچگی مدل با حداقل سر و صدای بر روی نمونه های اصلی ، بررسی راه هایی برای به حداکثر رساندن کاربرد چنین آشفتگی ها ضروری است.در برابر این پس زمینه ، ما به پیچیدگی های الگوریتم های حمله مخالف ، فرایند مخالف را به دو مرحله بحرانی تقسیم کرده ایم: فرآیند نظارت جهت دار (DSP) و فرآیند بهینه سازی جهت (DOP).در حالی که DSP جهت به روزرسانی ها را بر اساس نمونه های فعلی و پارامترهای مدل تعیین می کند ، مشاهده شده است که پارامترهای مدل موجود ممکن است همیشه منجر به حملات مخالف نباشد.تأثیر مدلها بر اثربخشی مخالف اغلب در تحقیقات فعلی نادیده گرفته می شود و منجر به غفلت DSP می شود.ما پیشنهاد می کنیم که در شرایط خاص ، پارامترهای مدل تنظیم دقیق می توانند کیفیت DSP را به میزان قابل توجهی افزایش دهند.برای اولین بار ، ما پیشنهاد می کنیم که در شرایط خاص ، پارامترهای مدل تنظیم دقیق می توانند کیفیت DSP را به میزان قابل توجهی بهبود بخشند.ما برای اولین بار تعاریف و اثبات ریاضی دقیق را برای این شرایط ارائه می دهیم و روش های مختلفی را برای پارامترهای مدل تنظیم دقیق در DSP معرفی می کنیم.آزمایش های گسترده ما اثربخشی روش پیشنهادی P3A را اثبات می کند.کد ما در دسترس است: https://anonymous.4open.science/r/p3a-a12c/