Black-box Evolutionary Search for Adversarial Examples against Deep Image Classifiers in Non-Targeted Attacks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F20%3A00534345" target="_blank" >RIV/67985807:_____/20:00534345 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/IJCNN48605.2020.9207688" target="_blank" >http://dx.doi.org/10.1109/IJCNN48605.2020.9207688</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IJCNN48605.2020.9207688" target="_blank" >10.1109/IJCNN48605.2020.9207688</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Black-box Evolutionary Search for Adversarial Examples against Deep Image Classifiers in Non-Targeted Attacks

Popis výsledku v původním jazyce

Machine learning models exhibit vulnerability to adversarial examples i.e., artificially created inputs that become misinterpreted. The goal of this paper is to explore non-targeted black-box adversarial attacks on deep networks performing image classification. The original evolutionary algorithm for generating adversarial examples is proposed that employs a guided multi-objective search through the space of perturbed images. The efficiency of attacks is validated by experiments with the CIFAR-10 data set. The experimental results verify the usability of our approach against deep convolutional neural networks.

Název v anglickém jazyce

Black-box Evolutionary Search for Adversarial Examples against Deep Image Classifiers in Non-Targeted Attacks

Popis výsledku anglicky

Machine learning models exhibit vulnerability to adversarial examples i.e., artificially created inputs that become misinterpreted. The goal of this paper is to explore non-targeted black-box adversarial attacks on deep networks performing image classification. The original evolutionary algorithm for generating adversarial examples is proposed that employs a guided multi-objective search through the space of perturbed images. The efficiency of attacks is validated by experiments with the CIFAR-10 data set. The experimental results verify the usability of our approach against deep convolutional neural networks.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA18-23827S" target="_blank" >GA18-23827S: Schopnosti a omezení mělkých a hlubokých sítí</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2020 International Joint Conference on Neural Networks (IJCNN): Conference Proceedings

ISBN

978-1-7281-6926-2

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

9207688

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Glasgow

Datum konání akce

19. 7. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—