10.3969/j.issn.1000-386x.2022.07.030
基于Grad-CAM的Mask-FGSM对抗样本攻击
深度学习缺乏可解释性,其容易受到对抗性样本的攻击.对此引入一种深度学习可解释性模型Grad-CAM(Gradient-weighted Class Activation Mapping),通过神经网络输入和输出之间的映射关系得到输入的热力图,结合FGSM(Fast Gradient Sign Method)引入一种高效的算法来生成对抗样本.实验证明,该算法能够挖掘潜在的最佳攻击位置,仅需要修改3.821％的输入特征,就能有效生成使得神经网络错误分类的对抗样本,充分验证了该算法的高效性.
深度学习、Grad-CAM、FGSM、可解释性、对抗样本
39
TP183(自动化基础理论)
2022-08-19（万方平台首次上网日期，不代表论文的发表时间）
共6页
195-200
