AIE：用于提升跨域音频对抗性迁移能力的自适应域间集成方法

《ACM Transactions on Multimedia Computing, Communications, and Applications》：AIE: Adaptive Inter-Domain Ensemble for Boosting Cross-Domain Audio Adversarial Transferability

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

深度神经网络容易受到对抗性攻击的威胁。音频对抗性示例会对正常的音频样本进行人耳无法察觉的微调，从而诱使分类模型给出错误结果。音频对抗性示例的一个关键特性就是可迁移性，这一特性使得黑盒攻击在实践中得以应用，并引起了越来越多的关注。尽管最近有一些研究实现了同一领域内模型间的可迁移性，但它们始终无法实现不同领域间的可迁移性。鉴于时域模型和频域模型是音频分类中两种主要的处理方法，我们发现为一个领域生成的对抗性示例在转移到另一个领域的时，其可迁移性会受到极大限制。为了解决这一问题，我们首先考虑了跨领域集成策略，该策略通过融合两个领域的输出来形成集成损失，进而优化对抗性示例，使其向两个领域共有的对抗空间靠拢。然而，我们进一步发现，仅仅对两个领域的输出进行平均处理，反而会使对抗性示例在其中一个领域的可迁移性提高，而在另一个领域的可迁移性则降低，这相比单领域攻击更为糟糕。因此，我们提出了一种新的自适应跨领域集成攻击方法，该方法通过自适应加权动态调整两个领域的贡献，从而提升音频对抗性示例的整体跨领域可迁移性。在多种数据集上的广泛测试表明，AIE方法优于现有方法，证明了其在提升跨领域对抗性可迁移性方面的有效性。我们的代码可在https://github.com/unclelongheu/Audio_Adversarial_Example上获取。

AI总结

AI生成的总结（实验性内容）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，以及帮助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结内容。完整文章才是最具权威性的版本。点击此处了解更多。

请点击此处，对这篇总结的准确性、清晰度及实用性发表意见。您的反馈将有助于我们对总结进行改进并生成更优的版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。