基于噪声初始化和先进优化算法的对抗样本生成方法研究

基于噪声初始化、Adam-Nesterov方法和准双曲动量方法的对抗样本生成方法 基于噪声初始化、Adam-Nesterov方法和准双曲动量方法的对抗样本生成方法是深度神经网络（DNNs）领域中的一种创新方法。该方法主要研究对抗样本的迁移性，以提高DNNs的鲁棒性和防御能力。 深入浅出对抗样本生成方法 对抗样本生成方法可以分为三种：基于梯度的方法、基于分数的方法和基于输出的方法。其中基于梯度的方法主要依靠对抗样本的迁移性来实现对黑盒DNNs的攻击。现有方法可以相互组合，形成更具迁移性能的攻击。例如，NI-TI-DIM攻击组合由Nesterov算法、动量算法、样本多样化方法和平移不变方法组合而成。 噪声初始化方法 随机噪声初始化是一种常用的对抗噪声初始化方法。但是，该方法存在一些缺陷，例如无法预先增强干净样本的攻击性能。为了解决这个问题，本文提出了一种新的噪声初始化方法，通过像素偏移方法来预先增强干净样本的攻击性能。 Adam-Nesterov方法 Nesterov算法是一种常用的优化算法，但它存在一些缺陷，例如每次迭代中的Nesterov动量共享一个相同的学习率。为了解决这个问题，本文提出了一种基于Adam-Nesterov方法的对抗样本生成方法，该方法可以自适应地调整学习率，且Nesterov动量中的每个权值都有独立的学习率。 准双曲动量算法 准双曲动量算法是一种常用的动量算法，但它存在一些缺陷，例如无法满足对抗样本生成的需求。为了解决这个问题，本文将准双曲动量算法用于对抗样本生成，取代常规动量算法。 实验结果 实验表明，结合了本文方法的攻击组合能生成攻击成功率更高的对抗样本。同时，实验表明，3种方法都没有额外增加对抗样本生成所需的运行时间和运算资源。 结论 基于噪声初始化、Adam-Nesterov方法和准双曲动量方法的对抗样本生成方法是一种创新方法，能够提高DNNs的鲁棒性和防御能力。该方法可以广泛应用于图像分类、目标检测等领域，并且可以与其他方法组合，形成更具迁移性能的攻击。