auto-attack

开源

关于"利用多种无参数攻击集成来可靠评估对抗性鲁棒性"的代码

749 stars0 点赞1 次浏览

工具介绍

关于"利用多种无参数攻击集成来可靠评估对抗性鲁棒性"的代码

我们提出使用四种不同攻击的集成来可靠地评估鲁棒性: + APGD-CE，我们在交叉熵上新推出的无步长版本的 PGD， + APGD-DLR，我们在新的 DLR 损失上新推出的无步长版本的 PGD， + FAB，它最小化了对抗扰动的范数 (Croce & Hein, 2019)， + Square Attack，这是一种查询效率高的黑盒攻击 (Andriushchenko et al, 2019)。

注意: 我们修复了攻击的所有超参数,因此不需要调整就可以测试每个新的分类器。

资讯

[2021年9月] 我们添加了针对可能的情况，标准版的AA可能不适合或不足以进行鲁棒性评估的自动检查。
对于CIFAR-10和CIFAR-100的模型评估不再维护。最新的排行榜可在RobustBench中找到。
[2021年3月] 一个针对L1的AutoAttack版本，其中包括APGD和Square Attack (Croce & Hein, 2021)的扩展，现已可用！
[2020年10月] AutoAttack被用作新基准测试RobustBench的标准评估，其中包括一个包含最鲁棒分类器的模型动物园。请注意，本页面和RobustBench的排行榜同时维护。
[2020年8月]
- 更新版本：为了i)将AutoAttack(AA)扩展到具有许多类的数据集，以及ii)实现更快速、更准确的评估，我们使用了APGD-DLR和FAB的目标版本。
- 我们添加了针对Linf的CIFAR-100和针对L2的CIFAR-10的模型评估。
[2020年7月] 论文的简短版被ICML'20 UDL 研讨会接受，用于聚焦演示！
[2020年6月] 论文被接受了。