AIE：用于提升跨域音频对抗可迁移性的自适应域间集成

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

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

深度神经网络脆弱且易受对抗性攻击。音频对抗样本向干净音频样本施加声学上不可感知的扰动，误导分类模型产生错误结果。可迁移性是音频对抗样本的关键特性，使得黑盒攻击在实践中具有适用性，并引起了越来越多的关注。尽管最近的研究实现了同一领域内模型间的可迁移性，但它们始终未能实现跨不同领域的可迁移性。鉴于时域和频域模型是音频分类中的两种主要方法，我们观察到为一个领域生成的对抗样本在迁移到另一个领域时表现出显著受限的可迁移性。为了克服这一局限性，我们首先考虑了一种跨领域集成（IE）策略，该策略融合两个领域的输出以获得集成损失，优化对抗样本使其收敛到两个领域共同的对抗空间中。然而，我们进一步观察到，简单地平均两个领域的输出会导致对抗样本更容易迁移到其中一个领域，而与单领域攻击相比，减少了向另一个领域的可迁移性。因此，我们提出了一种新颖的自适应跨领域集成（AIE）攻击，通过自适应加权动态优化两个领域的贡献，提高了音频对抗样本的整体跨领域可迁移性。对多种数据集的广泛评估一致表明，AIE 优于现有方法，确立了其在增强跨领域对抗可迁移性方面的有效性。我们的代码可在 https://github.com/unclelongheu/Audio_Adversarial_Example 获取。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，未经文章作者撰写或审阅。它旨在支持发现，帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。全文仍是权威的记录版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和有用性发表评论。这样做将有助于促进改进和未来的重新生成版本。

要查看此 AI 生成的简明语言摘要，您必须拥有高级访问权限。