对抗样本文章笔记（三）

论文笔记–Universal Adversarial Perturbations 目标： 得到一些通用扰动，这些扰动不是针对某一样本的，而是可以对整个服从同一分布的数据集中的大部分样本进行干扰，使它们发生误分类。 一、引入 已经有大量研究表明，在很多情况下，给图片加一点小的扰动就会使分类器产生错误分类，这使得系统安全性下降，容易受到外部攻击。目前产生对抗样本的方法主要有优化、梯度上升、搜索等，这些

>>阅读原文<<