计算机应用研究

作者：杨时康,柳毅,

单位：广东工业大学计算机学院,广州510006；

关键词：对抗训练,对抗样本,对抗攻击,预测模型,可学习攻击步长,

基金：广东省重点研发项目(2021B0101200002)；；

对抗训练（AT）是抵御对抗攻击的有力手段。然而，现有方法在训练效率和对抗鲁棒性之间往往难以平衡。部分方法提高训练效率但降低对抗鲁棒性，而其他方法则相反。为了找到最佳平衡点，提出了一种基于可学习攻击步长的联合对抗训练方法（FGSM-LASS）。该方法包括预测模型和目标模型，其中，预测模型为每个样本预测攻击步长，替代FGSM算法的固定大小攻击步长。接着，将目标模型参数和原始样本输入改进的FGSM算法，生成对抗样本。最后，采用联合训练策略，共同训练预测和目标模型。在与最新五种方法比较时，FGSM-LASS在速度上比鲁棒性最优的LAS-AT快6倍，而鲁棒性仅下降1%；与速度相近的ATAS相比，鲁棒性提升3%。实验结果证明，FGSM-LASS在训练速度和对抗鲁棒性之间的权衡表现优于现有方法。

来源：2024年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第6期