智能AI
morning
关于特征缩减技术对对抗性攻击的影响
2026-11-20
1 阅读
约1分钟阅读
Mohammad Meymani, Roozbeh Razavi-Far
字号:
arXiv:2611.25004v1 公告类型:新 摘要:对抗性攻击利用机器学习模型固有的漏洞,对机器学习模型构成了重大威胁。研究人员建立了一个名为对抗性机器学习的跨学科领域来探索这些漏洞并制定相应的防御策略。特征缩减策略用于降低数据的维度,以减少训练时间、避免维度灾难、防止过度拟合并减少冗余特征。然而,它们对不同分类器和攻击场景的对抗鲁棒性的影响仍未得到充分探索。本研究旨在分析特征缩减技术对 APT 数据集的中毒、后门和通用对抗扰动攻击下的一组不同机器学习模型的对抗鲁棒性的影响。这些模型包括支持向量机、决策树、随机森林、多层感知器和 k 最近邻。将所获得的结果与应用不同特征缩减技术的场景进行比较,包括主成分分析、排列重要性排序、递归特征消除和单变量互信息。采用准确性、F1 分数和缓解分数等指标来评估这些技术对对抗鲁棒性的影响。结果表明,排列重要性排序和单变量互信息通常提供最一致的鲁棒性改进,而其他方法则根据分类器和攻击场景表现出更多可变的效果。
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱