2023年最新入门对抗样本、对抗攻击与防御的最佳教程，里面包含总结好的攻击跟防御代码 并有详细介绍。 有入门到精通，该教程最通俗易懂。 对抗样本是各种机器学习系统需要克服的一大障碍。对抗样本的存在表明模型倾向于依赖不可靠的特征来最大化性能，如果特征受到干扰，那么将造成模型误分类，可能导致灾难性的后果。对抗样本的非正式定义：以人类不可感知的方式对输入进行修改，使得修改后的输入能够被机器学习系统误分类，尽管原始输入是被正确分类的。这一修改后的输入即被称为对抗样本。 敌手在恶意设计扰动，让自动驾驶汽车直线拐弯[10]，让目标检测失灵[11]，让人脸识别系统失效[12]。我不放心你做事啊，尤其是人命关天的任务。

pdf

对抗攻击方法一览（详细）.doc

cleverhans源代码

对抗攻击算法总结，包括MIM、FGSM、PGD、C&W、L-BFGS、JSMA 、MalGAN、DeepFool等攻击算法

高效的基于决策的人脸识别黑匣子对抗攻击

GTSRB数据上的敌对攻击 我们的项目专注于创建在神经网络上产生对抗性攻击的算法，并测试在GTSRB数据集上训练的这些神经网络的强度。 在此项目的生命周期中，在三种不同的模型上创建并测试了四种技术。 在我们的第一种方法中，我们创建了一个随机模糊器，它将随机修改像素的RGB值，直到对图像进行错误分类为止。 对于第二种方法，我们在图像上应用了高斯滤波器，并检查了分类错误。 在第三种方法中，我们混合了两个相同类别的图像，然后对它们应用高斯滤波器。 对于第四个也是最后一个方法，我们实现了FGSM方法，该方法会根据图像的梯度添加噪声。

高效的暖启动预计梯度下降（EWR-PGD） 我们提出了一种新的名为EWR-PGD的白盒对抗攻击方法，该方法超越了最新的攻击性能。 它比最新的方法更有效。 代码即将推出。 EWR-PGD和ODI-PGD的比较 当将模型降低到相同的精度时，EWR-PGD所需的重新启动次数明显少于ODI-PGD的重新启动次数。 EWR-PGD的速度大约是ODI-PGD的5倍。 图1.在10个最新的防御模型上，当EWR-PGD和ODI-PGD方法将模型降低到相同精度时，所需重启次数的比较（越低越好）。 这些模型可在线获得： 3个白盒排行榜上的结果 EWR-PGD在TRADES白盒MNIST和CIFAR-10排行榜上排名第一，将MNIST模型的准确性降低到92.52％，将CIFAR-10模型的准确性降低到52.95％。 EWR-PGD在MardyLab的CIFAR-10白名单排行榜中也排名第一，将其CI

对峙 对面部识别进行物理对抗攻击的步骤 在应用蒙版之后，将左侧的输入图像检测为右侧的目标图像。 安装 创建一个虚拟环境 conda create -n facial pip 克隆仓库 git clone https://github.com/392781/Face-Off.git 安装所需的库 pip install -r requirements.txt 导入和使用！ from adversarial_face_recognition import * ` 有关培训说明，请查看以开始少于30行。 用法 该库的目的是再次制造对抗攻击，再用FaceNet人脸识别器。 这是初步的工作，目的是使用一个可以戴在脸上的面具来产生更强壮的物理攻击。 当前管道由对齐的输入图像和计算出的蒙版组成。 然后使用dlib定向梯度检测器直方图将其输入到面部检测器中，以测试是否仍检测到面部。 然后将其传

TF2中的对抗性攻击和防御库 我们提供了一个轻量级且对初学者友好的库，用于： 训练简单的图像分类器。 生成对抗性示例-扰动神经网络的输入会导致错误的输出。 通过防御这些攻击来构建更强大的分类器。 该库是检查代码和亲自尝试对抗示例的简单起点。 要更全面地了解本领域的最新技术，我们建议您查看 。 支持的数据集： 支持的攻击： 支持的防御： 安装 首先，将此存储库克隆到本地计算机上。 git clone https://github.com/summer-yue/adversarial_examples_tf2.git 使用setup.py文件导航到该目录，然后安装运行我们的代码所需的软件包。 pip install -e . 请注意，该库在及更高版本上运行。 开始使用 尝试在adversarial_examples_tf2 / experiments中运行我们的简单示例。 建立