汉明空间搜索的对抗示例

由于其强大的表示学习能力以及对表示和哈希码的联合学习的促进,深度哈希学习取得了可喜的成果,并且在大规模近似最近邻搜索中越来越受欢迎。 但是,最近的研究强调了深层图像分类器容易受到对抗性例子的影响。 这也为深度检索系统带来了深刻的安全问题。 因此,为了研究现代深度哈希模型对对抗性摄动的鲁棒性,我们提出了哈希对抗性生成(HAG),这是一种为汉明空间搜索制作对抗性示例的新颖方法。 HAG的主要目标是生成不易察觉的示例作为查询,其与目标哈希模型的最近邻居在语义上与原始查询无关。 大量的实验证明,HAG可以成功地制作出具有较小扰动的对抗示例,从而误导目标哈希模型。 这些扰动在各种设置下的可传递性也得到了验证。 此外,通过组合异构扰动,我们还提供了一种简单而有效的方法来构造用于黑盒攻击的对抗性示例。