利用频谱衰减增强深度神经网络对抗迁移攻击

来源：电子与信息学报杂志2025年第10期北京时间：

作者：钱亚冠, 孔亚鑫, 陈科成, 沈云开, 鲍琦琦, 纪守领

单位：1.浙江科技大学人工智能与信息工程学院 杭州 3100232.浙江大学计算机科学与技术学院 杭州 310058

摘要：在人工智能对抗攻击领域中，传统的白盒梯度攻击方法在生成对抗样本的迭代过程中，往往会因替代模型的局部最优解而陷入停滞，难以实现跨模型的泛化效果。当前研究普遍认为，这种现象的主要原因在于对抗样本生成过程中输入特征的多样性不足，致使生成的样本过度拟合于替代模型。针对这一问题，该文提出提升模型泛化能力的数据增强技术。与以往的研究在图像的空间域上进行诸如旋转、裁剪等变换不同，该文从频域视角入手，提出一种基于频谱系数衰减的输入变换方法。通过在输入图像的频域中衰减各频率分量的幅度信息，提高迭代中输入的多样性，有效降低对源模型特定的依赖，减小过拟合风险。在ImageNet验证集上的测试表明，该方法及两种优化方法在基于卷积和Transformer架构的模型上均能有效提升无目标对抗样本的迁移能力。

关键词：黑盒攻击, 对抗样本迁移性, 频域分析, 深度学习

基金资助：浙江科技大学基本科研业务费专项资金(2025QN060)，国家重点研发计划(2022YFB3102100)，国家自然科学基金(62476250)，浙江省自然科学基金重点项目(LZ22F020007, LQN25F010018)