ترجمه فارسی مقاله حمله FACL: یادگیری مقابله‌ای آگاه از فرکانس برای حملات تخاصمی قابل انتقال

چکیده

Deep neural networks are known to be vulnerable to security risks due to the inherent transferable nature of adversarial examples. Despite the success of recent generative model-based attacks demonstrating strong transferability, it still remains a challenge to design an efficient attack strategy in a real-world strict black-box setting, where both the target domain and model architectures are unknown. In this paper, we seek to explore a feature contrastive approach in the frequency domain to generate adversarial examples that are robust in both cross-domain and cross-model settings. With that goal in mind, we propose two modules that are only employed during the training phase: a Frequency-Aware Domain Randomization (FADR) module to randomize domain-variant low- and high-range frequency components and a Frequency-Augmented Contrastive Learning (FACL) module to effectively separate domain-invariant mid-frequency features of clean and perturbed image. We demonstrate strong transferability of our generated adversarial perturbations through extensive cross-domain and cross-model experiments, while keeping the inference time complexity.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی عمیق به دلیل ماهیت قابل انتقال ذاتی نمونه های مخالف ، در برابر خطرات امنیتی آسیب پذیر هستند.علیرغم موفقیت حملات مبتنی بر مدل تولیدی اخیر که نشان دهنده قابلیت انتقال قوی است ، هنوز هم برای طراحی یک استراتژی حمله کارآمد در یک تنظیم دقیق جعبه سیاه در دنیای واقعی ، جایی که هم دامنه هدف و هم معماری مدل ناشناخته هستند ، همچنان یک چالش است.در این مقاله ، ما به دنبال کشف یک رویکرد متضاد در حوزه فرکانس برای تولید نمونه های متضاد که در هر دو تنظیمات متقاطع و متقاطع قوی هستند ، کشف می کنیم.با توجه به این هدف ، ما دو ماژول را پیشنهاد می کنیم که فقط در مرحله آموزش به کار می روند: یک ماژول تصادفی دامنه آگاه فرکانس (FADR) برای تصادفی کردن اجزای فرکانس کم و پر دامنه دامنه و یک یادگیری متضاد با فرکانس و اوج (FACL) ماژول برای جدا کردن موثر ویژگی های فرکانس میانی دامنه-متغیر از تصویر تمیز و آشفته.ما قابلیت انتقال قوی از آشفتگی های مخالف تولید شده خود را از طریق آزمایش های گسترده دامنه و مدل متقابل ، ضمن حفظ پیچیدگی زمان استنتاج ، نشان می دهیم.