基于NadaMax更新与动态正则化的对抗样本迁移性增强方法
宋亚飞
仇文博
王艺菲
冯存前
空军工程大学防空反导学院,西安,710051
摘要：针对深度学习模型中对抗样本迁移性和黑盒攻击能力不足的问题,研究设计了一种基于NadaMax优化器的迭代快速梯度方法(NM-FGSM).该方法结合了 Nesterov加速梯度和Adamax优化器的优势,通过自适应学习率和前瞻动量向量提高梯度更新精确度,并引入动态正则化增强问题凸性,优化算法稳定性和针对性.实验结果表明,NM-FGSM在不同攻击策略下优于现有方法,尤其在先进防御场景中攻击成功率提高了 4％～8％.通过动态正则化的损失函数,对抗样本的跨模型迁移能力得到提升,进一步增强了黑盒攻击效果.最后,讨论了未来优化NM-FGSM算法和设计防御措施的研究方向,为深度学习模型的安全性研究提供了新的思路.
关键词：迁移性黑盒攻击NadaMax优化器动量自适应学习率动态正则化
分类号：TP391.4(计算技术、计算机技术)
资助基金：国家自然科学基金(62402521)
论文发表日期：2025-06-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 119-127 )
英文信息