fgsm——跟线性回归一样好理解的对抗攻击方法

最新推荐文章于 2023-05-25 07:30:00 发布
最新推荐文章于 2023-05-25 07:30:00 发布
阅读量1.3k 收藏 4
点赞数 4
文章标签： 深度学习 机器学习 神经网络 自然语言处理
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/weixin_45461092/article/details/103959906
版权
这篇博客以线性回归为引入，解释了fgsm（Fast Gradient Sign Method）的基本思想。作者首先回顾了线性回归的目标——最小化损失函数，然后讨论如何将其转换为最大化损失函数来实现fgsm攻击。文中指出，在fgsm中，目标与线性回归相反，是使损失函数最大化。博主对比了两者参数更新的区别，并幽默地回应了对公式不同之处的疑问，强调这只是目标函数不同的结果。文章适合fgsm初学者阅读。
摘要由CSDN通过智能技术生成

一、前言

昨天开组会，借用线性回归讲了一波fgsm，发现效果还不错，于是今天跑过来水一篇博客(●’◡’●)

二、正文

线性回归

在开始讲fgsm之前呢，我先大概讲一波线性回归，方便引出fgsm，并不是线性回归教程，所以说不懂线性回归的同学还是先去看一看哈

目标：最小化损失函数
优化方法：梯度下降

参数的更新方式为在这里插入图片描述

这里的原理是让参数往梯度的相反方向走，通过此方式让损失函数最小化

由线性回归过渡到fgsm

众所周知（/狗头嘿嘿），fgsm是一种基于梯度的攻击手段

目标：与线性回归相反，最大化损失函数

ps：这里的最大化不是真正的最大化

线性回归最小化损失函数的方式为：
在这里插入图片描述
与线性回归相反，若要增大损失函数，只需要让‘参数’往梯度相同的方向走

为什么‘参数’要加引号？？

在线性回归中，训练样本已知，

最低0.47元/天 解锁文章
InSan1r
关注
  • 4
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
tensorflow2.0+python3.7.4实现FGSM对抗攻击代码
08-31
win10+tensorflow2.0+python3.7.4实现FGSM对抗攻击代码
FGSM网络对抗攻击
taoqick的专栏
04-21 149
近年来随着数据、计算能力、理论的不断发展演进，深度学习在图像、文本、语音、自动驾驶等众多领域都得到了广泛应用。与此同时，人们也越来越关注各类模型在使用过程中的安全问题，因为AI模型很容易受到外界有意无意的攻击而产生错误的结果。在原始样本处加入人类无法察觉的微小扰动，使得深度模型性能下降，这种样本即对抗样本。在本案例中，我们将以梯度符号攻击（Fast Gradient Sign Method，FGSM）为例，演示此类攻击是如何误导模型的。
华为开源自研AI框架昇思MindSpore应用实践：FGSM网络对抗攻击
Yeats_Liao的博客
01-11 1530
华为开源自研AI框架昇思MindSpore应用实践：FGSM网络对抗攻击
对抗示例生成,速梯度符号攻击（FGSM）来欺骗 MNIST 分类器
yanglamei1962的博客
05-25 501
如果您正在阅读本文，希望您能体会到某些机器学习模型的有效性。研究不断推动 ML 模型更快，更准确和更高效。但是，设计和训练模型的一个经常被忽略的方面是安全性和鲁棒性，尤其是在面对想要欺骗模型的对手的情况下。本教程将提高您对 ML 模型的安全漏洞的认识，并深入了解对抗性机器学习的热门话题。您可能会惊讶地发现，在图像上添加无法察觉的扰动会导致完全不同的模型表现。鉴于这是一个教程，我们将通过图像分类器上的示例来探讨该主题。
对抗攻击FGSM的纯粹版FGNS
欢迎来到道的世界
12-19 2830
理论分析 {L(xTadv,y)=L(xT−1adv,y)+(xTadv−xT−1adv)⋅∇L(xT−1adv,y)+O(∥xTadv−xT−1adv∥2)L(xT−1adv,y)=L(xT−2adv,y)+(xT−1adv−xT−2adv)⋅∇L(xT−2adv,y)+O(∥xT−1adv−xT−2adv∥2)L(xT−2adv,y)=L(xT−3adv,y)+(xT−2adv−xT−3adv)⋅∇L(xT−3adv,y)+O(∥xT−2adv−xT−3adv∥2)⋮L(x3adv,y)=L(x2adv
pytorch_FGSM_对抗样本
08-01
总的来说，PyTorch中的FGSM技术提供了一种快速生成对抗样本的方法，有助于研究人员和开发者测试其深度学习模型的稳健性，并推动了在抵御对抗攻击方面的防御策略的发展。通过深入研究和实践，我们可以更好地了解和...
对抗样本生成方法综述（FGSM、BIM\I-FGSM、PGD、JSMA、C&W、DeepFool）
04-17
3. PGD（Projected Gradient Descent）：PGD是一种通用的迭代对抗攻击方法，它可以看作是有界扰动空间内的最优化问题。它在每次迭代中都沿着梯度方向更新，然后投影回允许的扰动空间内，确保生成的对抗样本始终满足...
FGSM、PGD、BIM对抗攻击算法实现资源
最新发布
12-16
FGSM、PGD、BIM对抗攻击算法实现资源，需要按文章下载库 class BIM(Attack): def __init__(self, model, eps=8 / 255, alpha=2 / 255, steps=10): super().__init__("BIM", model) self.eps = eps self.alpha =...
对抗攻击算法总结-比较多的攻击算法
04-13
对抗攻击算法是针对深度...通过理解并研究这些算法，研究人员可以更好地构建鲁棒的深度学习模型，防止对抗攻击，并提升模型的可靠性。同时，这些算法也启发了防御策略的创新，如对抗训练和输入清洗，以抵御对抗性攻击。
第五章通过mindspore实现FGSM网络对抗攻击
beimingiq314的博客
12-11 6475
随着我们对昇思平台了解的不断深入，我们可以尝试使用他完成一些更加深度有趣的内容。这次我们就一起来尝试以梯度符号攻击（Fast Gradient Sign Method，FGSM）为例，演示此类攻击是如何误导模型的。Szegedy在2013年最早提出对抗样本的概念：在原始样本处加入人类无法察觉的微小扰动，使得深度模型性能下降，这种样本即对抗样本。如下图所示，本来预测为“panda”的图像在添加噪声之后，模型就将其预测为“gibbon”，右边的样本就是一个对抗样本：图片来自。
FGSM。。。
qq_38037870的博客
03-02 987
Goodfellow等人认为高维空间下的线性行为足以产生对抗样本， 对抗样本的线性解释： 常见的数据图像大部分表示成1-255,8bit/像素点的形式，在原始样本上加小小的扰动就会被误分类。现在我们有： 当存在一个小到可忽略的ε满足∥η∥∞<ε，我们期望分类器对这两个样本的分类结果一致，然而…… 现在考虑加入权值向量ω 信息，则： （权向量是带了权值的向量）对抗扰动通过ωTηωTη影响激活函数从而影响分类结果。如果ωω有nn个维度，权向量的一个元素的平均大小是mm，那么激活函数就会增加εmnεmn
2.基于梯度的攻击——FGSM
weixin_34037173的博客
03-28 1989
　　FGSM原论文地址：https://arxiv.org/abs/1412.6572 　　1.FGSM的原理 　　　　FGSM的全称是Fast Gradient Sign Method(快速梯度下降法），在白盒环境下，通过求出模型对输入的导数，然后用符号函数得到其具体的梯度方向，接着乘以一个步长，得到的“扰动”加在原来的输入 上就得到了在FGSM攻击下的样本。 　　　　FGSM的攻击表达...
图像对抗算法-攻击篇（FGSM）
AI之路
05-31 3万+
论文：Explaining and Harnessing Adversarial Examples 论文链接：https://arxiv.org/abs/1412.6572 在图像攻击算法中，FGSM（fast gradient sign method）是非常经典的一个算法。这篇发表于ICLR2015的文章通过梯度来生成攻击噪声，核心思想就是Figure1所示的内容。Figure1中左边图是常规的...
Pytorch实现FGSM（Fast Gradient Sign Attack）
08-13 1万+
目录1. 相关说明2. 相关简述3. 代码实现3.1 引入相关包3.2 输入3.3 定义被攻击的模型3.4 定义FGSM攻击函数3.5 测试函数4. 可视化结果5. 可视化对抗样本6. 预训练模型下载7. 训练模型8. 完整代码 1. 相关说明 最近在整理相关实验代码的时候，无意中需要重新梳理下对抗攻击里的FGSM，于是自己参考网上的一些资料以及自己的心得写下这篇文章，用来以后回忆。 2. 相关简述 快速梯度标志攻击（FGSM），是迄今为止最早和最受欢迎的对抗性攻击之一，它由 Goodfellow 等人
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...
【Pytorch项目实战】之对抗攻击：无目标对抗攻击（FGSM）、有目标对抗攻击（FGSM）
shinuone的博客
01-31 1508
攻击思路将攻击任务转换为对抗样本生成任务（如何选取损失函数、如何搭建可以生成更好对抗样本的模型）如：GAN生成模型。核心手段：通过对输入样本进行不可察觉的细微扰动（添加对抗性噪声），使得神经网络对得到的对抗样本有较高的信任度，并输出任意想要的类别（使人眼和机器识别的类型不同）。攻击特点：由于机器学习模型的输入形式是数值型向量，故攻击者通过设计一种有针对性的数值型向量从而让机器学习模型做出误判。发生时期：主要发生在构造对抗性样本时，机器进行模型训练时。
对抗算法——FGSM
bank777777的博客
06-27 3528
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。
PyTorch使用快速梯度符号攻击（FGSM）实现对抗性样本生成（附源码和数据集MNIST手写数字）
showswoller的博客
11-16 2306
PyTorch使用快速梯度符号攻击（FGSM）实现对抗性样本生成（附源码和数据集MNIST手写数字）
FGSM阅读笔记
weixin_49171105的博客
07-23 629
FGSM快速梯度符号下降法，是一种比较早的，经典的攻击方法，后续很多方法都是基于此，如PGD等。这是一种白盒攻击，沿着梯度方向添加图像扰动，会使损失函数增大，导致模型错误分类，sign函数保证了与梯度方向一致。...
深度解析：多款对抗攻击算法详解-MIM, FGSM, PGD, C&W
本篇文章将重点介绍几种常见的对抗攻击算法，包括MomentumIterativeMethod (MIM)、FastGradientSignMethod (FGSM)、Projected Gradient Descent (PGD) 和 Carlini & Wagner Attacks (C&W)。 1. ...
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