基于决策边界优化的多步对抗文本生成方法DBAE研究

本文提出了一种创新的对抗样本生成方法DBAE（Decision Boundary based Adversarial Example generation），通过树状自动编码器（Tree-AE）和粒子群算法（PSO）在向量空间进行决策边界优化，结合条件大语言模型（c-LLM）生成高质量对抗文本。实验表明该方法在RTX 4090显卡上以6.52?s的平均生成时间，实现了??%的语义相似度，显著提升了对抗样本的攻击成功率与文本质量。

　　

亮点

• 我们提出基于决策边界的对抗样本生成方法DBAE。该方法突破了传统文本级修改的局限性，通过向量空间优化生成更有效的对抗样本，且三大模块支持独立定制。

• 我们构建了编码器-解码器结构的条件大语言模型（c-LLM），能精准将目标对抗样本的嵌入特征转化为文本。

• 在多模型和多数据集上的实验表明，本方法在攻击成功率和样本质量上均优于主流对抗生成技术。

结论

我们提出的DBAE方法通过直接影响目标模型的决策过程，显著提升了对抗样本的攻击效能和生成质量。实验证实该方法在攻击成功率、困惑度（perplexity）和语义相似度等指标上均优于现有技术，为对抗文本生成提供了新范式。

作者贡献声明

孙宇：论文撰写、方法设计、数据分析；孙培琪：实验验证、可视化；杜燕辉：研究指导与项目监督。

利益冲突声明

作者声明不存在可能影响本研究的财务或个人关系。

作者简介

孙宇，河南警察学院学士，现为中国人民公安大学硕士研究生，研究方向为自然语言处理（NLP）、文本对抗样本与深度学习。