【《利用简单黑盒攻击方法攻击ConvNeXt-T实验的案例分析》880字】

利用简单黑盒攻击方法攻击ConvNeXt-T实验的案例分析目录TOC\o"1-3"\h\u756利用简单黑盒攻击方法攻击ConvNeXt-T实验的案例分析 1260351.1用ConvNeXt-T在cifar10上的训练实验 1303851.2用简单黑盒攻击算法攻击ConvNeXt-T结果 2在本节中，我们在一个在CIFAR-10上训练的ConvNeXt-T模型上评估SimBA和SimBA-dct。在没有任何超参数调优的情况下，这两种攻击在这个数据集上仍然非常有效。用ConvNeXt-T在cifar10上的训练实验由于ConvNeXt此神经网络是在imagenet上训练而成，我们需要重写一个cifar数据处理器。Pytorch有自带的常用数据处理类。我们使用AdamW[17]以4e-3的学习速率训练ConvNeXts200个epoch（原文为300，但此时是要与郭等人的结果做对比，所以epoch设置为200）。有一个20个时期的线性热身和余弦衰减计划之后。我们使用4096的批大小和0.05的重量衰减。对于数据增强，我们采用常用的方案有Mixup[18]、Cutmix[19]、RandAugment[20]和RandomErasing[21]。我用随机深度[22]和标签平滑来正则网络[23]。应用初始值1e-6的LayerScale[24]。我使用指数移动平均线(EMA)[25]，因为它减轻了较大模型的过拟合。因为少了100个epoch并且两个数据集不一样，加上时间不太够我也未进行调参。为提升正确率，我加了一个预训练模型，最后正确率达到了70.68%。与原文的82.1%相差了约11%。如表4.1所示。表4.1正确率ConvNeXt-T(imagnet1k)82.1%ConvNeXt-T(cifar10)70.68%结果如图4.1：图4.1用简单黑盒攻击算法攻击ConvNeXt-T结果郭等人[7]用cifar10训练了一个ResNet50神经网络，用SimBA算法攻击了此神经网络，并且发现与ImageNet上的实验相比，使用低频DCT基的效果较差，因为图像降维。SimBA和SimBA-dct的性能类似，其中SimBA-dct的尾部稍微重一些。当限制最多10,000个查询时，这两种方法的成功率都是100%。实际需要的查询要少得多，两种方法平均大约有300个查询，与中值匹配。与SimBA相比，SimBA-dct的性能略差，因为它的查询分布有一个稍重的尾部。然而，平均查询计数与对CIFAR-10的最先进的攻击一致。例如，AutoZOOM实现了平均查询计数259，平均L2而我用cifar10训练了一个ConvNeXt-T神经网络，用SimBA算法攻击了之后，与ResNet50对比，发现SimBA-dct的平均查询次数比ResNet50小。而平均L2表4.2攻击平均查询次数平均L2成功率SimBA（Resnet50）3222.04100%SimBA-dct（Resnet50）3532.21100%SimBA-dct（ConvNeXt-T）292.22.3766100%SimBA（ConvNeXt-T）310.542.4924100%实验截图如图4.2，4.3所