申请/专利权人:西安交通大学;宁波市舜安人工智能研究院
申请日:2021-08-27
公开(公告)日:2021-11-23
公开(公告)号:CN113688914A
主分类号:G06K9/62(20060101)
分类号:G06K9/62(20060101);G06F16/53(20190101);G06F16/538(20190101);G06N3/00(20060101)
优先权:
专利状态码:有效-授权
法律状态:2022.12.09#授权;2021.12.10#实质审查的生效;2021.11.23#公开
摘要:本发明公开了一种实用相对顺序对抗攻击方法,属于深度学习与计算机视觉领域。包括以深度排序模型作为目标模型,利用深度排序模型计算查询样本和被选中的候选样本集合之间的距离度量;当深度排序模型的参数获取成功时,使用白盒威胁模型进行相对顺序对抗攻击,得到对抗样本;将所得对抗样本输入到深度排序模型中,输出排序结果;所得的排序结果中,候选样本集合之间的相对顺序已经修改,实现所述实用相对顺序对抗攻击方法。其中,当深度排序模型的参数无法获取时,使用黑盒威胁模型进行相对顺序对抗攻击。本发明所述方法,解决了现有技术中忽视相对顺序对抗攻击可能性、对选中样本相对顺序不敏感、不适用于黑盒威胁模型等问题。
主权项:1.一种实用相对顺序对抗攻击方法,其特征在于,包括:步骤一、以深度排序模型f·,·作为目标模型,利用深度排序模型f·,·计算查询样本q和被选中的候选样本集合C={c1,c2,...,ck}之间的距离度量;当深度排序模型f·,·的参数获取成功时,使用白盒威胁模型进行相对顺序对抗攻击;步骤二、使用白盒威胁模型进行相对顺序对抗攻击,包括以下步骤:设置一个长度为k的排序矢量p,利用排序矢量p标记候选样本集合C中每个样本的相对顺序后进行重排序;重排序后的候选样本集合为Cp={cp1,cp2,...,cpk},以重排序后的候选样本集合Cp中的样本作为攻击对象样本;针对攻击对象样本,计算其中每个样本与查询样本的组合之间的三元组相对顺序损失;将每两个样本的组合之间的三元组相对顺序损失进行加和,得到一个整体的相对顺序损失函数;基于所得相对顺序损失函数,追加语义保留损失函数,将整体的相对顺序损失函数与追加语义保留损失函数求和,得到总体的带有语义保留性质的相对顺序损失函数;使用投影梯度下降法迭代更新查询样本q,得到对抗样本步骤三、将所得对抗样本输入到深度排序模型f·,·中,输出排序结果;所得的排序结果中,候选样本集合C之间的相对顺序已经修改,实现所述实用相对顺序对抗攻击方法。
全文数据:
权利要求:
百度查询: 西安交通大学;宁波市舜安人工智能研究院 一种实用相对顺序对抗攻击方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。