对抗样本（FGSM，BIM）

于 2024-09-08 20:29:52 发布
阅读量466 收藏 2
点赞数 9
文章标签： 机器学习 算法 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_53010932/article/details/142024529
版权

1.FGSM

FGSM（fast gradient sign method）是一种基于梯度生成对抗样本的算法，属于对抗攻击中的无目标攻击（即不要求对抗样本经过model预测指定的类别，只要与原样本预测的不一样即可）

在平时求解损失函数的时候，都是最小化损失函数，在梯度的反方向移动，符号使用减号，也就是所谓的梯度下降算法；FGSM可以理解为梯度上升算法，也就是使用加号，使得损失函数最大化。

上面是FGSM的公式，和dp神经网络类似，但是是一个反向的逆过程。

2.BIM

BIM，即基本迭代法，在FGSM基础上加上了迭代操作。

回顾之前的FGSM的公式，攻击的样本是经过单次的调整得到的，其中的e值是手动设定的。

但是BIM的方法本质是在FGSM的基础上加了一层的for循环迭代。

为什么会使用BIM？

是因为FGSM的使用，基于假设模型是高度线性化的，所以梯度上升的方向就是最佳方向，也就是使目标函数损失值最大的方向。BIM就是按照e的步调去梯度上升。

咩-不想起名字
关注
对抗样本生成算法-FGSM、I-FGSM、ILCM、PGD
R.I.P Kobe Bryant
10-10 1万+
对抗样本生成算法FGSM、I-FGSM、ILCM、PGD
对抗样本攻击
06-01
对抗样本攻击的实现，运行test.py即可，如果想要测试其他图片可以修改代码中的图片路径。
对抗样本生成方法综述（FGSM、BIM\I-FGSM、PGD、JSMA、C&W、DeepFool）
04-17
对抗样本生成方法综述（FGSM、BIM\I-FGSM、PGD、JSMA、C&W、DeepFool）
动量迭代快速梯度符号方法(Momentum Iterative FGSM,MI-FGSM)原理及实现
最新发布
2840216705@qq.com欢迎学习交流
07-29 2092
而动量机制通过累积多次迭代的梯度信息，可以更全面地利用这些梯度信息，从而在更大范围内找到模型的弱点，增强对抗攻击的效果。而动量机制通过累积多个梯度信息，可以帮助模型摆脱局部最优解的困扰，更容易找到全局最优解或更好的局部最优解，从而生成更强的对抗样本。MI-FGSM 将动量引入到 FGSM 中，通过在每一步迭代中累积梯度的动量，生成更强的对抗样本。动量的作用是利用之前的梯度信息来增强当前更新的方向，从而提高对抗样本生成的效率。) 是之前( t )次迭代的累积梯度，即第 ( t ) 步的动量梯度。
FGSM（Fast Gradient Sign Method）生成对抗样本
weixin_34318272的博客
11-15 782
https://blog.csdn.net/u014038273/article/details/78773515 https://blog.csdn.net/qq_35414569/article/details/80770121 对抗样本 通过对原始图片添加噪声来使得网络对生成的图片X’进行误分类，需要注意的是，生成图片X’和原始图片X很像，人的肉眼无法进行辨别，生成的图片X’即为对抗样...
FGSM对抗样本trick汇总
weixin_40675092的博客
02-13 860
1.FGSM 单步攻击，fast gradient sign method对抗样本生成方法，通过更新对抗扰动，增大图片分类损失，将样本推过分类决策边界。 对抗扰动更新方法如下 Xadv=X+ϵ×sign(∇XL(X,ytrue;θ)) X^{\mathbf{adv}} = X + \epsilon \times \mathbf{sign}\big(\nabla_{X}L(X,y^{\mathbf{true}}; \theta)\big) Xadv=X+ϵ×sign(∇X​L(X,ytrue;θ)) 2.I_
FGSM对抗样本算法实现
qq_36692187的博客
08-20 1万+
最著名的对抗样本算法应该就是Fast Gradient Sign Attack（FGSM）快速梯度算法，其原理是，在白盒环境下，通过求出模型对输入数据的导数，用函数求得其梯度方向，再乘以步长，得到的就是其扰动量，将这个扰动量加在原来的输入上，就得到了在FGSM攻击下的样本，这个样本很大概率上可以使模型分类错误，这样就达到了攻击的目的。 我们令原始的输入为x，输出为y。则FGSM的攻击表达式为： （1） 由公式1可知，FGSM实质上就是一...
对抗攻击3——BIM(Basic Iterative Method)
欢迎来到道的世界
04-03 3552
  Basic Iterative Method是许多个FGSM方法的拓展之一，有时候它也被称作I-FGSM。BIM是FGSM多次迭代的版本，其中总的对抗扰动量为∥r∥∞≤ϵ\|r\|_{\infty} \leq \epsilon∥r∥∞​≤ϵ。由BIM生成对抗样本的具体形式如下所示：xi+1′=Clipϵ{xi′+α⋅sign(∇xL(xi′,y))}i=0,⋯nandx0′=xx^{\prime}_{i+1}=Clip_{\epsilon}\{x_i^{\prime}+\alpha\cdot\mathr
tf_cnn_ifgsm_对抗样本_bim_
09-29
本文将深入探讨一个关键话题——对抗样本生成，特别是基于迭代的Fast Gradient Sign Method（FGSM）及其改进版Basic Iterative Method（BIM）。我们将通过Python实现并使用TensorFlow框架来阐述这个过程。 首先，...
深度学习对抗样本生成方法：基于TF和CNN的迭代FGSM
对抗样本的生成方法有很多，其中基于迭代的方法（如BIM）和基于快速梯度符号方法（FGSM）是两种常见的生成策略。FGSM方法通过使用模型对于输入样本的梯度信息，单次生成具有攻击性的扰动，而BIM（Basic Iterative ...
I-FGSM和ICCLM对抗算法.rar
08-15
总结来说，I-FGSM和ICCLM是两种用于生成对抗样本的算法，它们都是基于FGSM的扩展，旨在更有效地欺骗深度学习模型。PyTorch作为强大的深度学习框架，配合Jupyter Notebook的使用，能够帮助研究人员和开发者直观地理解...
对抗样本之BIM原理&coding
liuyishou
07-20 3259
1 引言 BIM，即基本迭代法，在FGSM基础上加上了迭代操作。想看FGSM，跳转 理解了FGSM，相信对BIM会丝毫没有压力。各位看官大多还是奔着代码去的吧，这里核心讲下代码。 使用pytorch实现BIM。pytorch不会？跳转 2 BIM原理 对比 FGSM公式 BIM公式 如上，BIM与FGSM真就是一个for循环的区别。但为什么BIM也能发论文呢？BIM存在其数学理论的合理性以及实验效果表现良好。 FGSM的使用，基于作者假设模型是高度线性化的。如此一来，梯度上升的方向就是最佳
FGSM、PGD、BIM对抗攻击算法实现
山高路远，看世界，也找自己
12-16 3813
​PGD、BIM对抗攻击算法实现可以直接导入这个torchattacks这个库，这个库中有很多常用的对抗攻击的算法。 pip install torchattacks 然后添加相关代码，即可直接调用
对抗样本生成算法之BIM算法
ilalaaa的博客
05-17 1万+
目录背景原理 论文链接点击获取. 背景 原理
FGSM（Fast Gradient Sign Method）_学习笔记+代码实现
热门推荐
Erpim的博客
06-27 4万+
FGSM（Fast Gradient Sign Method）算法 特点：白盒攻击、 论文原文：Explaining and Harnessing Adversarial Examples 大牛们在2014年提出了神经网络可以很容易被轻微的扰动的样本所欺骗之后，又对产生对抗样本的原因进行了分析，Goodfellow等人认为高维空间下的线性行为足以产生对抗样本。相继有许多算法被提出用来生成对抗...
对抗算法——FGSM
bank777777的博客
06-27 3582
首先基于输入图像计算梯度，其次更新图像是加上梯度，这与常见的分类模型更新参会方法正好背道而驰。
FGSM对抗攻击算法实现
山高路远，看世界，也找自己
11-30 4138
在我们进入代码之前，让我们看一下著名的 FGSM熊猫示例和摘录一些符号。上图展示了Fast adversarial examples应用在深度网络上。通过加上一个人类感知不到的小向量，向量的值为ϵ乘输入像素点关于误差的梯度值的符号值。这里 ϵ=0.007,符合经过深度网络转换为实数后8bit图像编码的最小数量级。图中加上噪声后，熊猫被识别为长臂猿，并且置信度为99.3%，所以此方法叫做fast gradient sign method，简称FGSM，我们称之为快速梯度下降法。
python实现fgsm
06-17
Fast Gradient Sign Method (FGSM) 是一种用于生成对抗样本的基本方法，它利用了梯度信息来最小幅度地修改输入数据，使其对模型的预测产生误导。在 Python 中，你可以使用深度学习库如 TensorFlow 或 PyTorch 来实现 FGSM。以下是一个简化的示例，用 TensorFlow 来展示如何在 Keras API 中应用 FGSM： ```python import tensorflow as tf from tensorflow.keras import layers, models # 假设我们有一个简单的线性模型 def create_model(input_shape): model = models.Sequential() model.add(layers.Dense(64, activation='relu', input_shape=input_shape)) model.add(layers.Dense(1, activation='sigmoid')) return model # 加载预训练模型或根据需求创建 model = create_model((28, 28, 1)) # 假设我们有一个图片和标签 input_data = tf.keras.Input(shape=(28, 28, 1)) label = tf.keras.Input(shape=(), dtype='float32') # 单分类问题，如果多分类则应为 int32 类型 # 使用模型并获取损失值 logits = model(input_data) loss = tf.keras.losses.binary_crossentropy(label, logits) # 获取梯度 grads = tf.gradients(loss, input_data) # FGSM 函数 def fgsm_attack(image, label, epsilon=0.1): perturbed_image = image + epsilon * tf.sign(grads) perturbed_image = tf.clip_by_value(perturbed_image, 0, 1) # 确保图像像素值在 [0, 1] 区间内 return perturbed_image # 示例使用 epsilon = 0.1 # 攻击强度 perturbed_image = fgsm_attack(input_data, label, epsilon) pred = model(perturbed_image) # 预测受影响的图片 # 注意：在实际应用中，你需要先将模型转换为可训练模式（.trainable=True），这里为了简洁省略了这部分 ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值