2023年5月1日
困扰了我许久的问题,突然有灵感了。不知道是否正确,先记下来,稍后进行验证。
背景:
最近在研究人脸对抗样本生成——黑盒迁移攻击。
许多资料说模型融合可以提高对抗样本的迁移性,即对黑盒模型的攻击成功率;但是他们没有具体说如何融合。
模型融合有三种:logits层融合(softmax前)、损失函数融合、概率分布层融合(softmax后)
对抗样本是基于梯度添加扰动,假如我进行logits层融合,那么可以建模如下:
- 对于一个输入图像x,兵分两路进行卷积;
- 然后在logits层合并为一路,输出结果。
困惑
如果是进行判别任务,这样确实有效。但是我要基于梯度生成对抗样本,如此多路并行,然后会合的做法,可以获得梯度吗?
可能的解释
是可以获得梯度的。
举个例子
- 输入x
- 经过一路计算, 得到2x+8,对x导数为2
- 经过另一路计算,得到5x-4,对x导数为5
- 两路合并, 得到7x+4,对x导数为7
如此看来,确实没问题!!
待我验证完成,再来更新:D