Effiziente Erzeugung von übertragbaren Adversarial-Angriffen durch Ensemble-basiertes Lernen einer asymptotisch normalen Verteilung
Die Kernaussage dieses Artikels ist, dass die Autoren eine Methode namens "Multiple Asymptotically Normal Distribution Attacks (MultiANDA)" vorschlagen, um übertragbare Adversarial-Beispiele zu generieren. Dabei wird die Verteilung der Adversarial-Perturbationen explizit modelliert, um eine bessere Generalisierung über unbekannte Deep-Learning-Modelle hinweg zu erreichen.
