本发明专利技术提出了基于AMAdam的对抗样本生成方法及系统，涉及对抗样本生成领域，具体方案包括：将获取的源图像预处理成被攻击的图像，创建与被攻击的图像形状相同的全零张量；将全零张量作为初始扰动，采用循环迭代的方式，基于当前扰动的梯度，采用AMAdam集合动量项的方法计算梯度的无偏一阶矩和无偏二阶矩，通过无偏一阶矩和无偏二阶矩生成新的扰动，直到达到最大迭代次数，得到最终的扰动；将最终的扰动添加到被攻击的图像上，生成对抗样本；本发明专利技术将AMAdam算法集成到基于梯度的迭代攻击中，使用梯度的无偏一阶矩和无偏二阶矩，为被攻击图像生成并更新扰动，构建对抗样本，提升基于迁移的对抗样本生成方法的整体性能。
【技术实现步骤摘要】
本专利技术属于对抗样本生成领域，尤其涉及基于amadam的对抗样本生成方法及系统。
技术介绍
1、在现代人工智能和机器学习领域，特别是深度学习技术的广泛应用中，对抗样本生成技术已经成为一个重要的研究方向；对抗样本是指通过在原始数据上添加微小扰动，使得深度学习模型产生错误分类的样本。这种技术不仅揭示了深度学习模型的脆弱性，还对模型的安全性和鲁棒性提出了挑战。
2、现有技术中，对抗样本生成方法主要分为两类：白盒方法和黑盒方法。白盒方法依赖于对模型内部结构和参数的全面了解，而黑盒方法则不知道模型的内部细节，其中，基于迁移的对抗样本生成方法是一种在黑盒方法中颇具潜力的策略，它通过在一个已知的模型(源模型)上生成对抗样本，并希望这些样本在未知模型(目标模型)上同样有效；这种方法利用了不同模型之间的迁移性，从而减少了对目标模型的直接查询需求。
3、然而，现有的基于迁移的对抗样本生成方法仍然存在诸多不足和缺点：
4、(1)现有方法在不同模型之间的对抗样本迁移成功率有限，导致在目标模型上的攻击效果不理想。
>5、(2)许多方法本文档来自技高网...
【技术保护点】
1.基于AMAdam的对抗样本生成方法，其特征在于，包括：
2.如权利要求1所述的基于AMAdam的对抗样本生成方法，其特征在于，所述将获取的源图像预处理成被攻击的图像，是将源图像转换为张量，并将源图像的像素范围进行归一化处理，得到被攻击的图像。
3.如权利要求1所述的基于AMAdam的对抗样本生成方法，其特征在于，所述循环迭代，具体步骤为：
4.如权利要求3所述的基于AMAdam的对抗样本生成方法，其特征在于，所述对添加扰动后的图像进行分类，计算分类结果的损失值，具体为：
5.如权利要求3所述的基于AMAdam的对抗样本生成方法，其特征在...
【技术特征摘要】
1.基于amadam的对抗样本生成方法，其特征在于，包括：
2.如权利要求1所述的基于amadam的对抗样本生成方法，其特征在于，所述将获取的源图像预处理成被攻击的图像，是将源图像转换为张量，并将源图像的像素范围进行归一化处理，得到被攻击的图像。
3.如权利要求1所述的基于amadam的对抗样本生成方法，其特征在于，所述循环迭代，具体步骤为：
4.如权利要求3所述的基于amadam的对抗样本生成方法，其特征在于，所述对添加扰动后的图像进行分类，计算分类结果的损失值，具体为：
5.如权利要求3所述的基于amadam的对抗样本生成方法，其特征在于，所述采用amadam集合动量项的方法计算梯...
【专利技术属性】
技术研发人员：汪付强，王坤，赵勇清，吴晓明，马晓凤，张建强，张鹏，马坤，郝秋赟，赵微，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。